Dissertacao Nadia Cardoso Moreira PDF

Nadia Cardoso Moreira
Superfície Mínima Discreta
Vitória-ES, Brasil
Fevereiro / 2014
Dissertação apresentada ao Programada de

Pós-Graduação em Matemática da Universi-
dade Federal do Espírito Santo como requisito
parcial à obtenção de grau de Mestra em Ma-
temática.
Universidade Federal do Espírito Santo – UFES

Centro de Ciências Exatas
Programa de Pós-Graduação em Matemática
Orientador: Fabiano Petronetto do Carmo
Vitória-ES, Brasil
Fevereiro / 2014
Superfície Mínima Discreta/ Nadia Cardoso Moreira. – Vitória-ES, Brasil,
Fevereiro / 2014-
78 p. : il. (algumas color.) ; 30 cm.
Orientador: Fabiano Petronetto do Carmo
Dissertação de Mestrado em Matemática – Universidade Federal do Espírito Santo

– UFES
Centro de Ciências Exatas
Programa de Pós-Graduação em Matemática, Fevereiro / 2014.
1. Superfície Mínima Discreta. 2. Problema de Plateau. I. Fabiano Petronetto
do Carmo. II. Universidade Federal do Espírito Santo. III. Centro de Ciências
Exatas. IV. Superfícies Mínimas
CDU 02:141:005.7
Dissertação apresentada ao Programada de

Pós-Graduação em Matemática da Universi-
dade Federal do Espírito Santo como requisito
parcial à obtenção de grau de Mestra em Ma-
temática.
Trabalho aprovado. Vitória-ES, Brasil, 27 de fevereiro de 2014:
Fabiano Petronetto do Carmo

CPF: 078.758.187-96
Orientador
Lhaylla Crissaff
CPF: 093.124.607-57
Membro Externo
Etereldes Gonçalves Júnior

CPF: 076.195.877-05
Membro Interno
Vitória-ES, Brasil
Fevereiro / 2014
Agradecimentos
Agradeço aos meus pais Antonio Alves Moreira e Ana Maria Cardoso pela educação,
apoio, carinho e força que me deram.
Ao meu orientador Prof. Dr. Fabiano Petronetto do Carmo pela instrução no meio
acadêmico, desde a época do PET. Por toda paciência e dedicação.
Aos meus amigos da Pós-Graduação. Em especial ao Silvano Junior, Oscar Londono,
Alcebiades Dalcol Júnior e Antonio Carlos Telau, que tornaram essa jornada muito mais
leve e divertida.
Aos meus amigos fora do meio acadêmico, que me apoiaram, me suportaram e
entenderam que minha ausência as vezes foi necessária.
Ao Departamento de Matemática e ao Programa de Pós-Graduação em Matemática
pela excelente formação.
Aos membros da banca Profa. Dra. Lhaylla Crissaff e Prof. Dr. Etereldes Gonçalves
Júnior, pela cuidadosa leitura do trabalho e contribuições para elaboração do texto final
da dissertação.
À CAPES pelo auxílio financeiro.
"Alguns nunca enlouquecem.
Que vida de merda eles devem
levar."
Charles Bukowski
Resumo
O problema de Superfícies Mínimas surgiu a partir do estudo do Cálculo de Variações

com o significado de ser a superfície regular de menor área dentre aquelas que definem
um bordo específico. Este problema foi proposto por Lagrange em 1760 e é chamado de
Problema de Plateau devido aos estudos experimentais do físico Joseph Antoine Ferdinand
Plateau. Esta dissertação propõe uma solução numérica para uma versão discreta do
Problema de Plateau a partir do método proposto por Pinkall e Polthier. Do ponto de
vista discreto, as superfícies são complexos simpliciais com certas restrições e usaremos os
conceitos de Energia de Dirichlet sobre aplicações que possuem superfícies trianguladas
como domínio a fim de obter um algoritmo matematicamente consistente para obter uma
superfície mínima dado um determinado bordo.
Palavras-chaves: Problema de Plateau, Superfície Mínima Discreta, Peso Cotangente,

Energia de Dirichlet.
Abstract
The Minimal Surfaces problem emerged from the study of the Calculus of Variations with
the meaning of being a regular surface of smallest area among those that set a specific
boundary. This problem was proposed by Lagrange in 1760 and is called the Plateau
Problem due to experimental studies of the physicist Joseph Antoine Ferdinand Plateau.
This work proposes a numerical solution to a discrete version of the Plateau Problem from
the proposed method by Pinkall and Polthier. Of the discrete viewpoint case, surfaces
are simplicial complexes with certain restrictions and we use the concepts of Dirichlet
Energy over applications that have triangulated surfaces as domain in order to developed
a mathematically consistent algorithm to obtain a minimum surface given a boundary.
Keywords: Plateau Problem, Discrete Minimal Surface, Cotangent Weight Scheme,

Dirichlet Energy.
Lista de ilustrações
Figura 1 – Exemplos de simplexos. Da esquerda para a direita, simplexos de dimensão 0 (ponto),

dimensão 1 (aresta) e dimensão 2 (triângulo). . . . . . . . . . . . . . . . . . . 22
Figura 2 – O 2-simplexo σ possui sete faces: uma 2-face σ = [v0 , v1 , v2 ], que é o triângulo
gerado pelo 2-simplexo; três 1-faces σ6 = [v0 , v1 ], σ5 = [v0 , v2 ] e σ4 = [v1 , v2 ], que
são as arestas do triângulo; e três 0-faces σ3 = [v0 ], σ2 = [v1 ] e σ1 = [v2 ], que são os
vértices do triângulo. Para o 2-simplexo σ, as seis últimas faces são próprias. . . . 23
Figura 3 – A fronteira da aresta [v0 , v1 ] é dada pela união de seus vértices (0-faces). O triângulo
[v0 , v1 , v2 ] possui fronteira dada pela união de seus vértices e arestas (1-faces). Na
figura, destacamos em vermelho as faces de cada simplexo que definem suas fronteiras. 23
Figura 4 – K1 e K2 são exemplos de complexos simpliciais; enquanto K3 não é, uma vez que a
interseção dos seus simplexos σ1 e σ2 não é face própria de nenhum dos dois. . . . 24
Figura 5 – O complexo simplicial K é composto pelo simplexo [v0 , v1 , v2 ] e suas k-faces, donde
dim(K) = 2. L = {[v0 ], [v1 ], [v2 ], [v1 , v2 ]} é um subcomplexo de K e dim(L) = 1. . . 25
Figura 6 – Na esquerda, destacamos em vermelho a estrela σ0∗ do vértice σ0 = [v0 ]. Na direita,

destacamos a estrela σ1∗ da aresta σ1 = [v0 , v1 ]. . . . . . . . . . . . . . . . . . 25
Figura 7 – À esquerda, o elo do vértice σ0 = [v0 ] é destacado (em vermelho), e à direita,

destacamos (em vermelho) o elo V (σ1 ) = {[v2 ], [v3 ]} da aresta σ1 = [v0 , v1 ]. . . . . 26
Figura 8 – Na esquerda ilustramos uma triangulação para uma superfície S de diversos pontos
de vista. Na direita, ilustramos a topologia da triangulação da superfície S, onde
o mapa de cores ilustra, para um dado vértice em S, o número de vértices que
pertencem ao elo deste. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Figura 9 – A alteração na geometria de um complexo simplicial pode não definir
um novo complexo simplicial. . . . . . . . . . . . . . . . . . . . . . . . 27
Figura 10 – Triângulo T formado pelos pontos pi−1 , pi e pi+1 . O vértice x ∈ T , e os triângulos
tj , j = i − 1, i, i + 1 delimitados pelo triângulo T e os segmentos de reta xpj , j =
i − 1, i, i + 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Figura 11 – A aresta (i, j) e seus ângulos opostos αij e βij . . . . . . . . . . . . . . . 35
Figura 12 – Triângulo T formado pelos pontos pi−1 , pi e pi+1 . . . . . . . . . . . . . . . . . 38
Figura 13 – Formato da matriz de cotangentes S. . . . . . . . . . . . . . . . . . . . 47
Figura 14 – A superfície inicial (à esquerda, a fronteira (centro) e a superfície miníma discreta
(direita) obtida pelo algoritmo em apenas dois passos. . . . . . . . . . . . . . . 60
Figura 15 – (a) A superfície inicial M0 com 1741 pontos, onde a cor representa a distância do
vértice ao plano xy, ou seja, a coordenada z. (b) Destacamos os vértices e arestas
da fronteira de ∂M0 . (c) Superfície mínima discreta M2 obtida pelo algoritmo. . . 61
Figura 16 – Da esquerda para a direita, a superfície inicial M0 com 121 pontos; a curva que
define a fronteira da superfície miníma durante o algoritmo ∂M0 ; e a superfície M2
obtida pelo nosso algoritmo. . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Figura 17 – À esquerda temos a superfície inicial M0 com 121 pontos, ao centro a fronteira ∂M0
a ser fixada ao longo do algoritmo e à direta temos a superfície M47 obtida pelo
nosso algoritmo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Figura 18 – Dados obtidos tomando a superfície da Figura 17 (à esquerda) como
superfície inicial e tomando a curva da Figura 17 (centro) como condição
de contorno. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Figura 19 – (a) Superfície inicial M0 com 448 pontos e (b) a fronteira da superfície mínima ∂M0
que é utilizada como condição de contorno no algoritmo. . . . . . . . . . . . . . 65
Figura 20 – Sequência de algumas superfícies obtidas ao longo das iterações: M4 (esquerda), M9
(centro) e a superfície final M19 (direita). . . . . . . . . . . . . . . . . . . . . 65
Figura 21 – Dados obtidos tomando a superfície da Figura 19a como superfície
inicial e tomando a curva da Figura 19b como condição de contorno. . 66
Figura 22 – Duas discretizações da superfície definida por três quadrados nos planos
x = 0, x = 1 e z = 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Figura 23 – Relação entre o tempo que o algoritmo levou para convergir tomando as tolerâncias
= 1E − 02, 1E − 04, 1E − 06, para cada superfície inicial. . . . . . . . . . . . 67
Figura 24 – À esquerda temos a superfície M0 com 1360 pontos, tomada como aproximação
inicial para o nosso algoritmo, e à direita ilustramos a fronteira que é fixada ao
longo do algoritmo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Figura 25 – Sequência de superfícies obtidas ao longo do algoritmo tomando = 1E − 06 como
tolerância para obter uma catenóide. A coloração das superfícies varia de acordo
com a média da curvatura média dos pontos. . . . . . . . . . . . . . . . . . . 68
Figura 26 – Dados obtidos tomando a superfície da Figura 24a como superfície
inicial e = 1E − 06 como tolerância. . . . . . . . . . . . . . . . . . . . 68
Figura 27 – A esquerda o exemplo do Raio de uma catenóide e o gráfico da Catenária y =
z

a cosh a , à direita o gráfico comparando o valor do Raio da sequência de superfícies
Mk gerada ao longo do algoritmo com o Raio da catenóide. . . . . . . . . . . . 69
Figura 28 – Cilindros utilizados para analisarmos o convergência do algoritmo no
caso da catenóide quando tomamos superfícies iniciais mais discretizadas. 70
Figura 29 – Os gráficos ilustram as áreas (esquerda) e os Raios (direita) das superfícies obtidas
pelo algoritmo a partir das diferentes superfícies iniciais tomadas de acordo com a
Figura 28 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Figura 30 – Dados iniciais do algoritmo: (a) superfície inicial M0 com 361 pontos e (b) fronteira
da superfície ∂M0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Figura 31 – Sequência de superfícies obtidas durante o algoritmo tomando como dados iniciais a
superfície inicial e a fronteira ilustradas na Figura 30. . . . . . . . . . . . . . . 71
Figura 32 – Dados obtidos tomando a superfície da Figura 30 (à esquerda) como
superfície inicial e tomando a curva da Figura 30 (à direita) como
condição de contorno. . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Figura 33 – Superfície inicial M0 com 133 pontos (à esquerda) e a fronteira ∂M0 (à direita). . 72
Figura 34 – Temos à esquerda a superfície obtida tomando = 1E − 03 como tolerância e à
direita o comportamento do critério E1 ao longo das iterações. . . . . . . . . . . 73
Figura 35 – Superfície inicial utilizada (à esquerda) e uma das superfícies obtida ao
longo do algoritmo (à direita) tomando = 1E − 04 como tolerância. . 73
Figura 36 – Superfícies mínimas geradas pelas aplicações Re(z 2 ) e Im(z 4 ) e as
superfícies iniciais utilizadas no Exemplo 2. . . . . . . . . . . . . . . . 74
Figura 37 – Superfície utilizada como aproximação inicial para o nosso algoritmo
(à esquerda) e o comportamento do critério E1 ao longo das iterações
tomando = 1E − 06 como tolerância. . . . . . . . . . . . . . . . . . . 74
Sumário
Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1 Malhas Poliédricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.1 Simplexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.2 Complexos Simpliciais em Rn . . . . . . . . . . . . . . . . . . . . . . . . 23
1.3 Espaços de Elementos Finitos . . . . . . . . . . . . . . . . . . . . . . . . 28
2 Superfície Mínima Discreta . . . . . . . . . . . . . . . . . . . . . . . 29
2.1 Superfície Mínima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Energia de Dirichlet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3 Área Discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.4 Energia de Dirichlet e Área . . . . . . . . . . . . . . . . . . . . . . . . . 41
3 Aspectos Numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.1 O Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2 O Método do Gradiente Conjugado como Método de Descida Acentuada 50
3.2.1 Método de Descida Acentuada . . . . . . . . . . . . . . . . . . . . . . . 50
3.2.2 Gradiente Conjugado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.1 Exemplo 1: Superfícies Planares . . . . . . . . . . . . . . . . . . . . . . 60
4.1.1 Ponto-Plano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.1.2 Semi-Esfera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.2 Exemplo 2: Superfícies Complexas . . . . . . . . . . . . . . . . . . . . . 62
4.2.1 Re(z 2 ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.2.2 Im(z 4 ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.3 Exemplo 3: Tempo de processamento × Tolerância e Discretização . . . 64
4.4 Exemplo 4: Catenóide . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.5 Exemplo 5: Scherk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.6 Exemplo 6: Limitações . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Conclusão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
19
Introdução
O clássico Problema de Plateau questiona a existência de uma superfície de área

mínima cuja fronteira seja composta pela união de curvas fechadas Γ ∈ Rn previamente
determinada. Este problema foi assim nomeado devido aos inúmeros trabalhos experimen-
tais feitos pelo físico J.A. Plateau durante o século 19 e tais superfícies de área mínima
são chamadas de Superfícies Mínimas.
Os experimentos de Plateau eram obtidos a partir da imersão de um arame
modelando a fronteira de uma suposta superfície em uma mistura de água e sabão. Plateau,
por meio destes experimentos, percebeu que ao retirar o arame da mistura, uma película
de aguá e sabão se forma de modo a minimizar a sua energia em decorrência da tensão
superficial. Consequentemente, Plateau observou que tal película de água e sabão definia
uma superfície que possui a menor área dentre todas as superfícies com aquela mesma
fronteira (arame).
O conceito de Superfície Mínima surgiu no trabalho seminal de Lagrange sobre
cálculo das variações na década de 1760 e durante muitos anos somente soluções particulares
deste problema foram obtidas mesmo sendo pesquisado por brilhantes matemáticos, tais
como Riemann e Schwarz.
Outros grandes matemáticos tentaram, sem sucesso, demonstrar a existência deste
tipo de superfície minimizando o funcional da Área
Z
A(f ) = Jacobiano(f )
Ω
usando as fórmulas de representação de Weierstrass sobre a classe de funções paramétricas

f : Ω ⊂ R2 → R3 tais que f (∂Ω) = Γ. Porém, a existência da solução para o Problema de
Plateau só foi demonstrada no início da década de 1930 por (RADÓ, 1930) e (DOUGLAS,
1931) e reformulada por (COURANT; SCHIFFER, 1950) em 1950 como um problema de
minimização da integral da Energia de Dirichlet
1Z
ED (f ) = |∇f |2
2 Ω
no lugar do funcional da área, também sobre a mesma classe de aplicações paramétricas
f : Ω ⊂ R2 −→ R3 com f (∂Ω) = Γ.
Além das definições acima, outras caracterizações para Superfície Mínima podem
ser encontradas na literatura (CARMO, 2010). Pode-se determinar que uma Superfície
Mínima é aquela que possui curvatura média nula, ou que uma Superfície Mínima é
aquela que é parametrizada por uma aplicação harmônica. Do ponto de vista numérico,
existem vários métodos para calcular superfícies mínimas [(WILSON, 1961),(CONCUS,
20 Introdução
1967),(DZIUK, 1990), (BRAKKE, 1994), (SULLIVAN, 1990)], incluindo métodos que

determinam superfícies minimizando outras formas de Energia.
Neste trabalho, iremos estudar e desenvolver o método numérico proposto por
Pinkall e Polthier para solução do Problema de Plateau (PINKALL; POLTHIER, 1993).
O método propõe minimizar a Energia de Dirichlet sobre um certo conjunto de aplicações
definidas sobre um domínio que contém a fronteira da superfície mínima desejada.
A partir do método proposto por Pinkall e Polthier, desenvolvemos um algoritmo
iterativo para obter a superfície mínima definida por uma determinada fronteira. Ao longo
das iterações do algoritmo, uma sequência de superfícies que possuem a mesma topologia
(em particular, a mesma fronteira) é construída porém com pequenas variações na geometria
da superfície. Cada superfície desta sequência é obtida a partir de um sistema linear que
minimiza o funcional da Energia de Dirichlet com respeito a um determinado conjunto
de aplicações definidas sobre um domínio e, consequentemente, a sequência de superfícies
define uma sequência de Energias de Dirichlet decrescentes. Como é possível relacionar a
Energia de Dirichlet com a área de uma superfície, Pinkall e Polthier estabelecem hipóteses
para que a sequência de superfícies gerada pelo algoritmo convirja para a solução do
Problema de Plateau, obtendo a superfície de menor área dado uma fronteira.
Descrevendo de maneira bem sucinta cada capítulo, a dissertação está dividida da
seguinte forma:
No Capítulo 1 definimos o modelo numérico para uma superfície no qual iremos
desenvolver os resultados deste trabalho. Também nesse intuito, introduziremos o espaço
de funções sobre o qual o funcional da Energia de Dirichlet será minimizado.
Iniciamos o Capítulo 2 obtendo caracterizações geométricas para o funcionais
da Energia de Dirichlet e da Área e, em seguida, mostraremos a relação entre estes dois
funcionais. Por fim, mostraremos que uma superfície é mínima se, e somente se, a aplicação
identidade restrita a esta superfície é um ponto crítico do funcional da Energia de Dirichlet.
O objetivo do Capítulo 3 é construir de maneira intuitiva o algoritmo que utiliza-
mos para obter uma Superfície Mínima Discreta. O algoritmo determina uma sequência
de superfícies a partir de soluções de sistemas lineares, a qual mostra-se a convergência
para a Superfície Mínima Discreta. A solução de cada sistema linear é obtida pelo método
Gradiente Conjugado, também descrito neste capítulo.
O Capítulo 4 apresenta os resultados obtidos com o algoritmo iterativo desenvol-
vido neste trabalho. O comportamento da sequência de superfícies obtidas no algoritmo
será ilustrado, assim como os valores da Energia de Dirichlet e da Área serão analisados.
Além disso, quando possível, utilizaremos outras propriedades de Superfícies Mínimas para
estudar o comportamento do algoritmo.
21
1 Malhas Poliédricas
Veremos mais adiante que o algoritmo desenvolvido por Pinkall e Polthier determina
uma sequência de superfícies a partir de uma borda fixada modificando apenas as posições
dos vértices de uma superfície inicial. Antes disso é necessário definirmos o modelo numérico
de superfície que será utilizado no algoritmo.
Existe uma gama de modelos numéricos de superfícies utilizados na prática com-
putacional (ZIEGLER, 1995), (BLOCH, 1997), (MUNKRES, 1984). Nesta dissertação
estamos interessados apenas em malhas conformes (POLTHIER, 2005), onde dois polígonos
são disjuntos, têm uma aresta em comum ou têm um vértice em comum; por exemplo,
não será permitido que um polígono contenha o vértice de outro polígono no interior de
alguma de suas arestas.
No nosso trabalho, desassociamos a geometria e a topologia da superfície numérica,
neste intuito introduziremos o conceito de complexo simplicial que irá determinar a
topologia da superfície numérica. A essa estrutura topológica iremos adicionar uma
geometria dada simplesmente pela posição geométrica no qual um vértice topológico se
encontra no espaço.
Por último, definiremos o espaço de funções sobre o qual o funcional Energia de
Dirichlet será minimizado a cada iteração do método de Pinkall e Polthier, de forma que a
sequência de superfícies gerada não tenha alteração na topologia com relação a superfície
inicial.
1.1 Simplexos
Neste trabalho iremos discretizar uma superfície contínua por meio de uma superfície
triangulada. Antes de estabelecermos o que é uma superfície triangulada, é necessário
definirmos suas entidades mais simples formadas por simplexos, e os complexos simpliciais
que determinam a ligação entre os simplexos.
No que se segue, em todos os resultados apresentados, consideramos o espaço
euclidiano de dimensão n, n um inteiro positivo,
Rn = {x = (x1 , . . . , xn ) | xi ∈ R} .
Começaremos definindo o objeto mais simples presente na superfície triangulada.
Definição 1.1 (Simplexo). Seja V = {v0 , v1 , . . . , vm } um conjunto finito de m + 1 pontos

de Rn , tal que {vi − v0 | i = 1, . . . , m} é um conjunto linearmente independente. O fecho
22 Capítulo 1. Malhas Poliédricas
convexo (m m
)
+
X X
[v0 , v1 , . . . , vm ] = αi vi | αi ∈ R e αi = 1
i=0 i=0
é chamado m-simplexo, ou simplesmente simplexo. O número m é chamado dimensão do

simplexo.
De acordo com esta definição um 0-simplexo é a representação topológica de um

ponto, um 1-simplexo é um segmento de reta e um 2-simplexo é um triângulo (Figura 1).
v1 v1
v0
v0
v0 v2
0-simplexo 1-simplexo 2-simplexo
Figura 1 – Exemplos de simplexos. Da esquerda para a direita, simplexos de dimensão 0 (ponto),

dimensão 1 (aresta) e dimensão 2 (triângulo).
O simplexo possui esse nome por ser o mais simples de sua dimensão. Por exemplo,
um triângulo em R2 é o polígono com menor número de vértices e arestas, o tetraedro
em R3 é o que possui menos vértices e arestas e faces, e assim por diante. Em termos
topológicos, um simplexo generaliza o conceito de triângulo a outras dimensões.
Um simplexo pode ser decomposto em simplexos de dimensões menores que ou
igual a sua dimensão. Em particular, a união de alguns simplexos de dimensões menores
do que a dimensão do simplexo define a fronteira do simplexo.
Definição 1.2 (k-face). Uma k-face f de um simplexo σ = [v0 , v1 , . . . , vm ] é um simplexo

determinado por (k + 1) pontos do conjunto {v0 , v1 , . . . , vm }. Se a dimensão da k-face f for
menor do que a dimensão do simplexo σ (k < m) dizemos que f é uma face própria de σ.
Definição 1.3 (Fronteira e Interior do Simplexo). A fronteira de um m-simplexo σ é

denotada por ∂σ e é composta pela união das faces próprias de σ. A partir da fronteira do
simplexo σ, o interior de σ é definido como int(σ) = σ − ∂σ.
As faces de um simplexo de dimensão 2, isto é, um triângulo, são as 3 0-faces dadas

pelos seus 3 vértices, as 3 1-faces definidas pelas suas arestas e a 2-face dada pelo próprio
simplexo (Figura 2). Também podemos observar a partir das definições anteriores que
a fronteira de um triângulo é dada pela reunião de seus vértices (0-faces) e suas arestas
(1-faces), justamente as faces próprias do simplexo (Figura 3).
1.2. Complexos Simpliciais em Rn 23
v1
v1 σ2
v1
v1
σ4
v2
v2 σ1
σ6 v2
σ v0
v2 σ5 σ3
v0
v0
v0
Figura 2 – O 2-simplexo σ possui sete faces: uma 2-face σ = [v0 , v1 , v2 ], que é o triângulo gerado pelo
2-simplexo; três 1-faces σ6 = [v0 , v1 ], σ5 = [v0 , v2 ] e σ4 = [v1 , v2 ], que são as arestas do
triângulo; e três 0-faces σ3 = [v0 ], σ2 = [v1 ] e σ1 = [v2 ], que são os vértices do triângulo.
Para o 2-simplexo σ, as seis últimas faces são próprias.
v0 v0
v2
v1 v1
Figura 3 – A fronteira da aresta [v0 , v1 ] é dada pela união de seus vértices (0-faces). O triângulo
[v0 , v1 , v2 ] possui fronteira dada pela união de seus vértices e arestas (1-faces). Na figura,
destacamos em vermelho as faces de cada simplexo que definem suas fronteiras.
1.2 Complexos Simpliciais em Rn

Uma vez definidas as entidades mais simples de uma superfície triangulada, vamos
determinar agora as ligações entre elas. Estas ligações são estabelecidas por meio de
complexos simpliciais satisfazendo algumas propriedades particulares.
Definição 1.4. Um complexo simplicial K de Rn é uma coleção de simplexos em Rn de

forma que:
1. se o simplexo σ pertence a K, então todas suas faces próprias também pertencem;
2. se σ e τ são simplexos de K, então σ ∩ τ é vazia ou é uma face própria de ambos.
Seja K um complexo simplicial dado pela coleção de simplexos {σi | i ∈ Ci },

onde Ci é um conjunto de índices qualquer. Quando a interseção de dois simplexos de
K, digamos σi e σj , é diferente de vazia, dizemos que eles são adjacentes ou vizinhos.
A condição 2 da Definição 1.4 garante que não existam interseções "indevidas", isto é,
que não sejam faces próprias entre os simplexos do complexo simplicial K. Por exemplo,
a interseção de 2-simplexos com algum outro simplexo de K pode ser apenas vértices
ou arestas e a interseção de 1-simplexos com outro simplexo de K se restringe apenas a
vértices.
A figura 4 ilustra 3 coleções de simplexos. A coleção K1 é composta por um 2-
simplexo σ e suas faces próprias, as coleções K2 e K3 são compostas por simplexos de
dimensão menor ou igual a dois e suas faces próprias. As coleções K1 e K2 são exemplos
de complexos simpliciais, enquanto K3 não é um complexo simplicial, pois a interseção
dos simplexos σ1 e σ2 de K3 não é vazia e também não é uma face própria dos simplexos,
contrariando o item 2 da Definição 1.4.
K1 K2 K3
σ1 σ2
σ1
σ σ4 σ2
σ3
Figura 4 – K1 e K2 são exemplos de complexos simpliciais; enquanto K3 não é, uma vez que a interseção
dos seus simplexos σ1 e σ2 não é face própria de nenhum dos dois.
Definição 1.5. Seja K um complexo simplicial. A dimensão de K, denotada por dim(K),

é dada por
dim(K) = max{dim(σ) | σ é um simplexo de K} .
Se dim(K) = d, então chamamos K de d-complexo simplicial ou complexo simplicial

d-dimensional.
Na figura 4, o complexo simplicial K1 possui um simplexo σ de dimensão 2 e

nenhum com dimensão superior, logo dim(K1 ) = 2. Da mesma forma, o simplexo de maior
dimensão em K2 tem dimensão 2 e, portanto, K2 também é um complexo de dimensão 2.
Subconjuntos da coleção de complexos que definem um complexo simplicial podem
também definir um complexo. Observe que neste caso, se um simplexo pertence ao sub-
conjunto, então todas as faces próprias deste simplexo também pertencem ao subconjunto
(Figura 5).
Definição 1.6. Sejam K um complexo simplicial e L um subconjunto dos complexos

simpliciais que definem K. Se L é também um complexo simplicial, então L é dito um
subcomplexo de K.
v0 v0
v1 v2 v1 v2
K L
Figura 5 – O complexo simplicial K é composto pelo simplexo [v0 , v1 , v2 ] e suas k-faces, donde dim(K) =
2. L = {[v0 ], [v1 ], [v2 ], [v1 , v2 ]} é um subcomplexo de K e dim(L) = 1.
A seguir daremos exemplos de subcomplexos de grande importância no desenvolvi-

mento deste trabalho, denominados estrela e elo de um simplexos σ.
Definição 1.7. Sejam K um complexo simplicial em Rn e σ um simplexo de K, então os

seguintes conjuntos são subcomplexos de K:
1. estrela de σ:
σ ∗ := {η ∈ K e todas as faces próprias de η | σ ⊂ η};
2. elo de σ:
V (σ) := {η ∈ σ ∗ | η ∩ σ = ∅}.
As Figuras 6 e 7 ilustram as estrelas e os elos de um vértice e uma aresta de um

complexo simplicial K dado, o qual é definido por 2-simplexos (triângulos) e as faces
próprias destes. Observe que dim(σ ∗ ) ≥ dim(σ) para qualquer σ e vale a igualdade se, e
somente se, dim(σ) = dim(K) ou σ ∗ = σ. Por outro lado, não existe nenhuma relação
entre as dimensões de um simplexo σ e de seu elo V (σ).
v1
v0 v0
Figura 6 – Na esquerda, destacamos em vermelho a estrela σ0∗ do vértice σ0 = [v0 ]. Na direita, destacamos
a estrela σ1∗ da aresta σ1 = [v0 , v1 ].
v3
v1
v0 v0
v2
Figura 7 – À esquerda, o elo do vértice σ0 = [v0 ] é destacado (em vermelho), e à direita, destacamos
(em vermelho) o elo V (σ1 ) = {[v2 ], [v3 ]} da aresta σ1 = [v0 , v1 ].
Com todas entidades mais simples bem definidas, agora podemos estabelecer o
conceito de superfície triangulada, que estende a noção de uma 2-variedade topológica
para o mundo simplicial.
Definição 1.8. Uma superfície triangulada M é um complexo simplicial composto por um

conjunto finito T de triângulos tal que:
1. qualquer ponto p ∈ M pertence a pelo menos um triângulo t ∈ T ;
2. se p ∈ M então o subcomplexo p∗ é homeomorfo ao disco unitário
D = {x ∈ R3 | |x| = 1}.
Então, se M é uma superfície triangulada e p ∈ M é um ponto de M , então p

deve pertencer a pelo menos um triângulo de M . Seja T = {t ∈ M | p ∈ t} o conjunto
dos triângulos de M que contém p, então o conjunto p∗ é composto pela união destes
triângulos, suas arestas e vértices (Figura 6) e, pela definição anterior, é homeomorfo ao
disco unitário. O elo de p será formado pelas arestas destes triângulos que não possuem p
como vértice, e os vértices destas arestas (Figura 7).
A triangulação é uma das maneiras de decomposição espacial mais utilizada, já que
os triângulos são estruturas lineares extremamente simples. Dessa forma, gostaríamos de
saber quando é possível triangular uma superfície topológica M utilizando uma superfície
triangulada M . O seguinte resultado assegura que qualquer superfície topológica bidimen-
sional (em R3 ) pode ser triangulada por uma superfície triangulada M . A demonstração
deste resultado foge do escopo desta dissertação e pode ser encontrada em (MOISE, 1977).
Teorema 1.9. Os seguintes fatos valem para superfícies bidimensionais:
1. Qualquer superfície topológica compacta S ∈ R3 pode ser triangulada, isto é, existe

uma superfície triangulada M que triangula S.
2. Se uma superfície topológica é triangulada por duas superfícies trianguladas M1 e

M2 , então M1 e M2 possuem subdivisões simpliciais isomorfas.
Figura 8 – Na esquerda ilustramos uma triangulação para uma superfície S de diversos pontos de vista.
Na direita, ilustramos a topologia da triangulação da superfície S, onde o mapa de cores
ilustra, para um dado vértice em S, o número de vértices que pertencem ao elo deste.
Finalizamos esta seção observando que na prática, durante o algoritmo que ire-
mos apresentar, podem ocorrer situações degeneradas nos complexos simpliciais, como
ilustramos na Figura 9. A geometria de um determinado complexo simplicial é alterada,
porém, sem alterar a topologia do mesmo, formando novos conjuntos de simplexos que não
definem mais um complexo simplicial. O caso degenerado à esquerda mostra que houve um
colapso de um vértice de um triangulo com a sua aresta oposta neste mesmo triângulo. O
caso degenerado à direita houve um colapso de dois vértices opostos a uma mesma aresta
em um único novo vértice formando a partir daí um único triângulo.
(a) Colapso de um vértice com aresta oposta no triângulo T .

Q Q
T3 T2 = T3
T4
T2
T4
T1 T1
P P
(b) Colapso de dois vértices opostos a uma aresta P Q.
Figura 9 – A alteração na geometria de um complexo simplicial pode não definir um novo

complexo simplicial.
1.3 Espaços de Elementos Finitos

A cada iteração do algoritmo que será exibido no capítulo 3, buscamos minimizar
a Energia de Dirichlet. Antes que isto seja feito precisamos definir o espaço de funções
sobre o qual iremos minimizar o funcional, de forma que não seja alterada a topologia das
superfícies Mk obtidas a cada iteração.
Nesta seção vamos recordar brevemente um Espaço de Elementos Finitos. A cada
iteração do nosso algoritmo, a partir da superfície Mk , o funcional da Energia de Dirichlet
sobre ele e obter a superfície seguinte Mk+1 . Para uma introdução mais elaborada veja
(BRENNER; SCOTT, 2008), (CIARLET, 1978).
Definição 1.10. Seja M uma superfície triangulada. Definimos S, o espaço formado pelas
funções contínuas e lineares por partes sobre M , como
S := {f : M → R3 | f ∈ C 0 (M ) e f é linear em cada triângulo de M }.
Exemplos de funções em S são as próprias funções coordenadas de M . Mais ainda,

observe que o espaço S de dimensão finita é gerado pela base de funções de Lagrange. De
fato, se M possui n vértices então S é gerado pelas funções {ϕ1 , ϕ2 , . . . , ϕn } definidas com
relação aos vértices {p1 , p2 , . . . , pn } de M , isto é, para cada vértice pi ∈ M temos uma
função
ϕi : M −→ R
linear em cada triângulo de M definida por
ϕi (pj ) = δij ,
onde δij é o delta de Kronecker


 0, se i 6= j,
δij =
 1, se i = j.
Assim, se u é uma aplicação pertencente a S, ela possui uma única representação

dada pelas funções ϕ1 , . . . , ϕn . Em cada ponto p ∈ M , tem-se:
n
X
u(p) = uj ϕj (p),
j=1
onde uj = u(pj ) ∈ R3 . Logo, toda função u em S pode ser unicamente determinada pelo
vetor (u1 , u2 , . . . , un ) ∈ R3n .
29
2
No capítulo anterior os principais conceitos que serão utilizados para o desenvol-

vimento do método foram apresentados: a) modelo numérico utilizado no algoritmo, a
superfície triangulada, e b) o espaço de funções, a base de Lagrange. Neste capítulo, iremos
desenvolver os principais resultados utilizados para definir o sistema linear cuja solução
define a sequência de superfícies trianguladas que converge para a Superfície Mínima
Discreta desejada.
Iniciamos este capítulo recordando o conceito de Superfície Mínima dado a partir da
Energia de Dirichlet. Posteriormente, focamos no nosso objeto de interesse que é Superfície
Mínima Discreta. Iremos mostrar que tanto o funcional da Energia de Dirichlet quanto o
funcional da Área, com respeito a uma superfície triangulada, podem ser expressos em
termos da geometria da superfície.
Por fim, os dois funcionais serão relacionados e mostraremos que uma superfície
triangulada M é mínima se, e somente se, a aplicação identidade id : M → R3 é um ponto
crítico do funcional da Energia de Dirichlet.
2.1 Superfície Mínima

Uma Superfície Mínima é caracterizada por ser aquela que possui a menor área
dentre as outras superfícies de mesma fronteira. O Problema de Plateau (TSUCHIYA,
1987), que tem como solução uma Superfície Mínima, é formulado da seguinte forma:
Dada uma curva fechada Γ ∈ R3 , considere o conjunto de aplicações paramétricas
F = {f : Ω ⊂ R2 → R3 | f (∂Ω) = Γ}. Então M ∈ R3 é uma superfície mínima se existe
f ∈ F tal que f (Ω) = M e f minimiza o funcional da Área
Area : F → R Z
f → Area(f ) = Jacobiano(f (x))dx; x = (x, y, z) ∈ Ω.
Ω
Area(f ) é o valor da área da superfície parametrizada pela aplicação paramétrica f ∈ F.

Os exemplos têm sido fundamentais no desenvolvimento da teoria de Superfícies
Mínimas e complementaram a pesquisa teórica. Nos últimos anos, muitos exemplos foram
estudados experimentalmente usando cálculos para continuação analítica de funções
complexas e integração das fórmulas de Weierstrass. Embora estes métodos permitam
calcular qualquer superfície dada pela representação de Weierstrass, é necessário que as
fórmulas de Weierstrass sejam conhecidas previamente.
30 Capítulo 2. Superfície Mínima Discreta
Na década de 1930 (RADÓ, 1930) e (DOUGLAS, 1931) tiveram a ideia de não

minimizar o funcional da Área diretamente, e sim o funcional da Energia de Dirichlet:
ED : F → R
1Z
f → ED (f ) = k∇f (x)k2 dx; x = (x, y, z) ∈ Ω.
2 Ω
Daí nosso interesse em relacionar as formulações geométricas do funcional da

Energia de Dirichlet e do funcional Área, para que no fim o leitor compreenda a relação
entre eles. Veremos na Seção 2.4 que, se a aplicação id|M : M ⊂ R3 → R3 minimiza
o funcional da Energia de Dirichlet, então ED (id|M ) = Area(M ) e M é uma superfície
mínima.
Uma outra caracterização de Superfície Mínima Discreta vem do funcional da
Energia Conforme, de acordo com (HUTCHINSON, 1991),
EC (f ) = ED (f ) − A(f (M )) ≥ 0; M ∈ R3 . (2.1)
onde EC (f ) é o valor da Energia conforme da aplicação f ∈ F e é igual a zero somente

quando f é uma parametrização conforme. Como ED (id|M ) = A(M ) quando id|M minimiza
o funcional da Energia de Dirichlet, é fácil ver que, id|M minimiza o funcional da Energia
Conforme se, e somente se, id|M minimiza o funcional da Energia de Dirichlet, ou seja, M
é uma superfície mínima se, e somente se, id|M minimiza o funcional da Energia Conforme.
2.2 Energia de Dirichlet

Nesta seção vamos obter uma expressão geométrica para o funcional da Energia de
Dirichlet para posteriormente relaciona-la com o funcional da Área.
A seguir, começaremos com a definição da Energia de Dirichlet de uma aplicação u
cujo domínio é uma superfície triangulada.
Definição 2.1. Sejam M uma superfície triangulada em R3 , T o conjunto de triângulos

de M ,
S = {f : M → R3 | f ∈ C 0 (M ) e f é linear em cada triângulo de M }
o conjunto de aplicações contínuas e lineares por partes sobre M e T o conjunto de

triângulos de M . Então, a Energia de Dirichlet de uma função u ∈ S com u : M → R3 é
dada por
1 XZ
ED (u) = k∇u|T k2 dx; x = (x, y, z) ∈ T (2.2)
2 T ∈T T
Logo, a Energia de Dirichlet de uma aplicação u ∈ S é dada pela soma das Energias
de Dirichlet das restrições u|T para cada T ∈ T , uma vez que as aplicações u|T : T → R3
são suaves.
2.2. Energia de Dirichlet 31
O Lema enunciado a seguir enumera importantes resultados relacionados às funções

base de Lagrange. Estes resultados serão utilizados no decorrer deste trabalho para obter
alguns dos principais resultados.
Lema 2.2. Seja T = [pi−1 , pi , pi+1 ] um triângulo de uma superfície triangulada; com
arestas orientadas {−c−→ → − −−→ →
−
i−1 , ci , ci+1 } onde cj = pj−1 − pj+1 . Seja ϕj : T → R a função base
de Lagrange com respeito ao vértice pj com ϕj (pk ) = δjk e A a área do triângulo T . Então,
para cada j = i − 1, i, i + 1 é verdade que:
1 →
1. ∇ϕj |T = J−
cj em T,
2A
2. ∇ϕi−1 + ∇ϕi + ∇ϕi+1 = 0 em T,
− cot(αj )
3. < ∇ϕj−1 , ∇ϕj+1 >= em T ;
2A
π
onde J representa a rotação de 2
orientada sobre o plano que contém o triângulo T e αj é
o ângulo oposto à aresta →
−
cj .
Demonstração. 1. Seja x = (x, y, z) ∈ T . Podemos reescrever x, de forma única,

utilizando as coordenadas baricêntricas
x = αi−1 pi−1 + αi pi + αi+1 pi+1 ,
Area(tj )
com αi−1 + αi + αi+1 = 1, onde αj = , j = i − 1, i, i + 1; e os triângulos
A
ti−1 , ti , ti+1 são obtidos conforme a Figura 10.
p
i
ti+1 ti-1
_
x
ti
p p
i-1 i+1
Figura 10 – Triângulo T formado pelos pontos pi−1 , pi e pi+1 . O vértice x ∈ T , e os triângulos

tj , j = i−1, i, i+1 delimitados pelo triângulo T e os segmentos de reta xpj , j = i−1, i, i+1.
Pela linearidade de ϕj , temos que
ϕj (x) = αi−1 ϕj (pi−1 ) + αi ϕj (pi ) + αi+1 ϕj (pi+1 ).
Se j ∈ {i − 1, i, i + 1} então
ϕj (x) = αj .
Por outro lado a área do triângulo tj pode ser expressa como

1 1 −
Area(tj ) = k(pj−1 − pj+1 ) × (x − pj+1 )k = k→
cj × (x − pj+1 )k.
2 2
Assim,
f (x)
ϕj (x) = ,
2A
onde
f :T → R
x → k→
−
cj × (x − pj+1 )k.
Considere a notação pj+1 = (a1 , b1 , c1 ), pj−1 = (a2 , b2 , c2 ), reescrevemos f (x):

 
î ĵ k̂

 
f (x) = det  a2 − a1 b 2 − b 1 c 2 − c 1 = k(w1 , w2 , w3 )k,
 

 
x − a1 y − b 1 z − c 1

onde
w1 := (b2 − b1 )(z − c1 ) − (c2 − c1 )(y − b1 )
w2 := (c2 − c1 )(x − a1 ) − (a2 − a1 )(z − c1 )
w3 := (a2 − a1 )(y − b1 ) − (b2 − b1 )(x − a1 ).
Então, q
w12 + w22 + w32
ϕj (x) = .
2A
Agora podemos obter o gradiente de ϕj . Suas derivadas parciais são dadas por
∂ϕj w2 (c2 − c1 ) − w3 (b2 − b1 )

∂x
(x) =
2Af (x)
∂ϕj w (a
3 2 − a 1 ) − w1 (c2 − c1 )
∂y
(x) =
2Af (x)
∂ϕj w (b
1 2 − b 1 ) − w2 (a2 − a1 )
∂z
(x) = .
2Af (x)
Portanto,
 
î ĵ k̂
1  
∇ϕj = det  w1 w2 w3
 

2Af (x)  
a2 − a1 b 2 − b 1 c 2 − c 1
1
= {[(pj−1 − pj+1 ) × (x − pj+1 )] × (pj−1 − pj+1 )}
2Af (x)
1
= {[→
−
cj × (x − pj+1 )] × →
−
cj } .
2Af (x)
{[→
−
cj × (x − pj+1 )] × →
−
cj }
Observe que se J →
−
cj = , então a tese ∇ϕj |T = J →
−
cj ; j =
f (x)
i − 1, i, i + 1 é verificada. De fato, de acordo com (BAJD; MIHELJ; MUNIH, 2013),
a rotação de um vetor →−v ∈ R3 de um ângulo θ em torno do eixo unitário →

−
e é dada
por
→
−v 0 = cos(θ)→
−
v + (1 − cos(θ))h→
−
e ,→
−
v i→
−
e + sen(θ) (→
−
e ×→−v ).
No nosso caso queremos rotacionar o vetor → −cj a um ângulo θ = π2 com respeito

−
→ −
→
ao eixo unitário →
−
e = k−cj ×(x−pj+1 )
→
cj ×(x−pj+1 )k
= cj ×(x−p
f (x)
j+1 )
, que é perpendicular ao plano que
contém o triângulo T . Assim,
→
− h→
−
cj × (x − pj+1 ), →
−
cj i →
− {[→
−
cj × (x − pj+1 )] × →
−
cj }
J cj = 2 [ cj × (x − pj+1 )] + .
[f (x)] f (x)
Como →
−e e→−
c são ortogonais, então h→
j
−
c × (x − p ), →
j
−
c i = 0 e teremos que
j+1 j
{[→
−
cj × (x − pj+1 )] × →
−
cj }
J→
−
cj = .
f (x)
2. Defina ϕ = ϕi−1 + ϕi + ϕi+1 : T → R. Se x ∈ T , então x = αi−1 pi−1 + αi pi + αi+1 pi+1

tal que αi−1 + αi + αi+1 = 1. Assim,
ϕ(x) = ϕi−1 (x) + ϕi (x) + ϕi+1 (x)

= αi−1 + αi + αi+1
= 1.
Portanto, para todo x ∈ T , temos
ϕ(x) = 1 ⇒ ∇ϕ(x) = 0 ⇒ ∇ϕi−1 (x) + ∇ϕi (x) + ∇ϕi+1 (x) = 0 em T.
3. Pelo Item 1 deste Lema, temos que

1
h∇ϕj−1 , ∇ϕj+1 i = iJ −
c− → −−→
j−1 , J cj+1 i
4A2
1
= kJ −c−→ −−→
j−1 kkJ cj+1 kcosθ,
4A2
onde θ é o ângulo entre os vetores J −
c−→ −−→
j−1 e J cj+1 .
Uma vez que J representa uma rotação, ela não altera o tamanho dos vetores, isto é,
kJ −
c−→ −−→ −−→ −−→
j−1 k = kcj−1 k, kJ cj+1 k = kcj+1 k. Note, também, que o ângulo interno entre os
vetores −c−→ −−→

j−1 , cj+1 é dada por θ = π − αj , onde αj é o ângulo interno do triângulo T
oposto a aresta → −cj .

Então,
1 −−→ −−→
h∇ϕj−1 , ∇ϕj+1 i = kcj−1 kkcj+1 k cos(π − αj )
4A2
1 −−→ −−→
= kcj−1 kkcj+1 k [cos(π) cos(αj ) + sen(π)sen(αj )]
4A2
1
= − 2 k− c−→ −−→
j−1 kkcj+1 k cos(αj )
4A
1 k− c−→ −−→
j−1 kkcj+1 k
= − 2 sen(αj ) cot(αj ).
2A 2
k−
c−→ −−→
j−1 kkcj+1 k
Por sua vez, a área A do triângulo T pode ser expressa como sen(αj ).
2
Portanto,
cot(αj )
h∇ϕj−1 , ∇ϕj+1 i = − .
2A
O próximo Teorema fornece uma expressão geométrica para o funcional da Energia

de Dirichlet. Além disso, garante que o funcional possui apenas um ponto crítico, que é
um ponto de mínimo do mesmo. Antes de enuncia-lo, porém, precisamos impor algumas
notações e observações para melhor entendimento da demonstração. Seja M uma superfície
triangulada.
• A(M ) = {(i, j) | pi , pj formam uma aresta de M } é o conjunto das arestas de M .
• Vi = V (pi ) é o elo do vértice pi .
• T = {T | T é um triângulo de M } é o conjunto dos triângulos de M .
• A(T ) é a área do triângulo T ∈ T .
• int(M ) = {pi ∈ (M \ ∂M }) é o conjunto dos vértices internos de M .

P3
• Seja u : M → R3 uma aplicação de S e T ∈ T , então k∇u|T k2 = i=1 k∇ui|T k2 onde
ui são as funções coordenadas de u.
• Como consequência do item anterior temos que ED (u) = 3i=1 ED (ui ), ou seja, a
P
Energia de Dirichlet de u é a soma das energias de suas funções coordenadas.
O próximo teorema define a Energia de Dirichlet de uma aplicação u ∈ S : M → R3

a partir do uso das funções base de Lagrange, onde para cada ponto p ∈ M tem-se
n
X
u(p) = uj ϕj (p),
j=1
com uj = u(pj ); e dos resultados demonstrados no lema anterior.
Teorema 2.3. Seja M uma superfície triangulada e S o conjunto de funções contínuas e

lineares por partes sobre M . Então a Energia de Dirichlet de uma aplicação u ∈ S : M → R3
é dada por
1 X
ED (u) = [cot(αij ) + cot(βij )] kui − uj k2 . (2.3)
8 (i,j)∈A(M )
Além disso, o minimizador do funcional da Energia é único e satisfaz a equação
1 X
∇ui ED (u) = [cot(αij ) + cot(βij )] (ui − uj ) = 0, (2.4)
2 j∈Vi
para cada vértice pi ∈ int(M ). O somatório na equação 2.3 percorre as arestas de M ,

e o somatório na equação 2.4 percorre os vértices adjacentes ao vértice pi , ui = u(pi )
representa a aplicação u avaliada no vértice pi e os ângulos αij , βij são o ângulos opostos
com respeito a aresta (i, j) ∈ A(M ) nos triângulos que são adjacentes por esta aresta
(Figura 11).
pi
αij βij
pj
Figura 11 – A aresta (i, j) e seus ângulos opostos αij e βij .
Demonstração. Por simplicidade vamos considerar a aplicação u : M → R , posteriormente
generalizar para o caso desejado u : M → R3 .
1 XZ
Já sabemos que ED (u) = k∇u|T k2 dx. Considere T = {pi−1 , pi , pi+1 }, então
2 T ∈T T
i+1 i+1 i+1 i+1
2 2 2
X X X X
2
k∇u|T k =k uj ∇ϕj k = |uj | k∇ϕj k + 2 < uj ∇ϕj , uk ∇ϕk >
j=i−1 j=i−1 j=i−1 k=i−1
 k6=
j
i+1  i+1
|uj |2 k∇ϕj k2
X X 
=  +2 < uj ∇ϕj , uk ∇ϕk >
.
j=i−1 k=i−1,
k6=j
Como ∇ϕi−1 + ∇ϕi + ∇ϕi+1 ≡ 0 em T , temos que

 
i+1 i+1
|uj |2
X X
k∇u|T k2 =
 
 < ∇ϕj , −∇ϕj−1 − ∇ϕj+1 > +2 uj uk < ∇ϕj , ∇ϕk >

j=i−1 k=i−1
k6=j
i+1
(|uj−1 |2 − 2uj−1 uj+1 + |uj+1 |2 ) < ∇ϕj−1 , ∇ϕj+1 >
X
=−
j=i−1
i+1
|uj−1 − uj+1 |2 < ∇ϕj−1 , ∇ϕj+1 > .
X
=−
j=i−1
Portanto, a Energia de Dirichlet de u é dada por

X 1Z
k∇u|T k2 dx
X
ED (u) = ED (u|T ) =
T ∈T T ∈T 2 T
i+1
1Z X X
=− |uj−1 − uj+1 |2 < ∇ϕj−1 , ∇ϕj+1 > dx
2 M T ∈T j=i−1
i+1
1 X X 2 cot(αj )
Z
= |uj−1 − uj+1 | dx
4 T ∈T j=i−1 A(T ) T
i+1
1 X X
= |uj−1 − uj+1 |2 cot(αj ),
4 T ∈T j=i−1
onde αj é o ângulo oposto a aresta →−cj . Se percorrermos o somatório sobre as arestas (i, j)
de M para cada aresta teremos o fator 14 [cot(αij ) + cot(βij )]|ui − uj |2 onde αij e βij são os
ângulos opostos à aresta (i, j), como na Figura 11. Caso a aresta (i, j) pertença a apenas
um triângulo o fator será da forma 14 [cot(αij )]|ui − uj |2 onde αij é o único ângulo oposto a
esta aresta. Portanto,
1 X
ED (u) = [cot(αij ) + cot(βij )] |ui − uj |2 . (2.5)
4 (i,j)∈A(M )
Agora, se quisermos percorrer o somatório sobre cada vértice pi ∈ M e seus vértices

adjacentes pj , j ∈ Vi a Energia de Dirichlet será reescrita como
1 X X
ED (u) = [cot(αij ) + cot(βij )] |ui − uj |2 ,
8 pi ∈M j∈Vi
o somatório precisou ser multiplicado por 12 , pois ao percorrer o vértice i e depois o vértice
j ∈ Vi contamos a aresta (i, j) duas vezes. Dessa forma se pi ∈ int(M ) e ui = u(pi ), a
derivada parcial da Energia de Dirichlet com respeito a ui pode ser expressa da seguinte
forma
 
1 ∂ X X
∂
∂ui
ED (u) = [cot(αij ) + cot(βij )] (ui − uj )2 
8 ∂ui pi ∈M j∈Vi
1 X X ∂ h i
= [cot(αij ) + cot(βij )] (ui − uj )2
8 pi ∈M j∈Vi ∂ui

1 X
=  [cot(αij ) + cot(βij )] (ui − uj )
4 j∈Vi

X
+ [cot(αji ) + cot(βji )] (−1)(uj − ui ) .
j∈Vi
Já que as arestas (i, j) e (j, i) são as mesmas, exceto por uma questão de orientação, os
ângulos opostos à elas são os mesmos, isto é, [cot(αij ) + cot(βij )] = [cot(αji ) + cot(βji )].
Logo,
∂ 1 X
ED (u) = [cot(αij ) + cot(βij )] (ui − uj ). (2.6)
∂ui 2 j∈Vi
Agora, se u = (u1 , u2 , u3 ) : M → R3 , temos que
3
ED (uk ),
X
ED (u) =
k=1
2.3. Área Discreta 37
e utilizando a Equação 2.5 temos

3
1X
[cot(αij ) + cot(βij )] |uki − ukj |2
X
ED (u) =
4 k=1 (i,j)∈A(M )
3
1 X
|uki − ukj |2
X
= [cot(αij ) + cot(βij )]
4 (i,j)∈A(M ) k=1
1 X
= [cot(αij ) + cot(βij )] kui − uj k2 ,
4 (i,j)∈A(M )
onde uki é o valor da k-ésima função coordenada da aplicação u no vértice pi e os ângulos

αij , βij são os ângulos opostos a aresta (i, j).
Assim, se pi ∈ int(M ) e ui = (u1 (pi ), u2 (pi ), u3 (pi )) é o valor da aplicação u sobre
o vértice pi então o gradiente da Energia com respeito a ui é expresso como
!
∂ ∂ ∂
∇ui ED (u) = E (u), 2 ED (u), 3 ED (u)
1 D
∂ui ∂ui ∂ui
e, pela equação 2.6, obtemos
1 X
∇ui ED (u) = [cot(αij ) + cot(βij )] (u1i − u1j , u2i − u2j , u3i − u3j )
2 j∈Vi
1 X
= [cot(αij ) + cot(βij )] (ui − uj ).
2 j∈Vi
Para cada vértice pi , a equação do funcional da Energia de Dirichlet pode ser

geometricamente interpretada como uma condição de equilíbrio para ponderar as arestas
em torno deste vértice, onde o peso de cada aresta depende unicamente dos ângulos na
base da superfície M , ou seja, os pesos dependem apenas da estrutura conforme de M .
Outra importante observação é que a equação do funcional da Energia de Dirichlet
é a soma de equações quadráticas, logo ela por si só é uma equação quadrática. Portanto, o
funcional possui apenas um ponto crítico e é seu ponto de mínimo. Logo existe uma única
aplicação u = umin que minimiza o funcional da Energia de Dirichlet, e como consequência
∇ui ED (umin ) = 0
para toda variável ui = u(pi ), onde pi pertence ao interior da superfície triangulada M .
2.3 Área Discreta

Nesta seção encontraremos uma expressão geométrica para o funcional da Área
que será relacionada com a expressão do funcional da Energia de Dirichlet (Teorema 2.3).
Definição 2.4. Seja M uma superfície triangulada e S = {u : M → R3 | u ∈ C 0 (M ) e u é

linear em cada triângulo de M } o espaço de funções contínuas, lineares por partes sobre
M . Então o funcional da Área é dado por
Area : S −→ R Z
u −→ Area(u(M )) = det (Jacobiano(u(x))) dx; x = (x, y, z) ∈ M.
M
Note que, se u = id|M a aplicação identidade restrita a M , então Area(u(M )) = Area(M ).
Assim como para o funcional da Energia de Dirichlet, para calcular o funcional da

Área iremos inicialmente estudar este funcional num triângulo da superfície triangulada
para posteriormente obter o funcional em toda a superfície.
Lema 2.5. Seja T um triângulo não degenerado com vértices {pi−1 , pi , pi+1 } e ângulos
{αi−1 , αi , αi+1 } como na Figura 12. Uma vez que ci é a norma do segmento oposto ao
ângulo αi , a área do triângulo T é dada por
1
A(T ) = [(ci−1 )2 cot(αi−1 ) + (ci )2 cot(αi ) + (ci+1 )2 cot(αi+1 )] (2.7)
4
Figura 12 – Triângulo T formado pelos pontos pi−1 , pi e pi+1 .
Demonstração. Utilizando as seguintes relações trigonométricas

ci−1 ci sen(αi+1 ) ci−1 ci+1 sen(αi ) ci ci+1 sen(αi−1 )
A(T ) = = =
2 2 2
e a Lei dos Senos
sen(αi−1 ) sen(αi ) sen(αi+1 )
= =
ci−1 ci ci+1
a área do triângulo pode ser obtida por
" #" #
ci sen(αi−1 ) sen(αi+1 )
A(T ) = ci
sen(αi ) 2
sen(αi−1 )sen(αi+1 )
= (ci )2
2sen(αi )
− cos(αi−1 + αi+1 ) + cos(αi−1 ) cos(αi+1 )
= (ci )2 .
2sen(αi )
2.3. Área Discreta 39
Como αi−1 , αi , αi+1 são os ângulos internos de um triângulo, temos que
αi−1 + αi+1 = π − αi
⇓
cos(αi−1 + αi+1 ) = cos(π − αi ) = − cos(αi )
Daí, " #
1 cos(αi ) cos(αi−1 ) cos(αi+1 )
A(T ) = (ci )2 + (ci )2 (2.8)
2 sen(αi ) sen(αi )
De maneira semelhante podemos obter
" #
1 cos(αi+1 ) cos(αi−1 ) cos(αi )
A(T ) = (ci+1 )2 + (ci+1 )2 (2.9)
2 sen(αi+1 ) sen(αi+1 )
Somando as equações 2.8 e 2.9, obtemos

( "
1 cos(αi+1 )
2A(T ) = (ci )2 cot(αi ) + (ci+1 )2 cot(αi+1 ) + cos(αi−1 ) (ci )2
2 sen(αi )
#)
cos(αi )
2
+(ci+1 )
sen(αi+1 )
[sen(αi )]2 cos(αi+1 )
( "
1 2 2 2
= (ci ) cot(αi ) + (ci+1 ) cot(αi+1 ) + (ci−1 ) cos(αi−1 )
2 [sen(αi−1 )]2 sen(αi )
[sen(αi+1 )]2 cos(αi )
#)
+ 2
" [sen(αi−1 )] sen(αi+1 ) #
1 2 2 2 cot(αi−1 )
= (ci ) cot(αi ) + (ci+1 ) cot(αi+1 ) + (ci−1 ) sen(αi + αi+1 )
2 sen(αi−1 )
" #
1 cot(αi−1 )
= (ci )2 cot(αi ) + (ci+1 )2 cot(αi+1 ) + (ci−1 )2 sen(π − αi−1 )
2 sen(αi−1 )
1h 2 i
= (ci ) cot(αi ) + (ci+1 )2 cot(αi+1 ) + (ci−1 )2 cot(αi−1 )
2
⇓
1h i
A(T ) = (ci−1 )2 cot(αi−1 ) + (ci )2 cot(αi ) + (ci+1 )2 cot(αi+1 ) . (2.10)
4
Proposição 2.6. Seja M uma superfície triangulada com vértices {pj }. Então, se M não
possui triângulos degenerados, sua área é dada por
1 X
Area(M ) = [cot(αij ) + cot(βij )] kpi − pj k2 , (2.11)
4 (i,j)∈A(M )
onde αij e βij são os ângulos opostos à aresta formada pelos vértices pi e pj (Figura 11).
Demonstração. Seja M uma superfície triangulada de vértices {pj }, sem triângulos dege-
nerados. Então
X
Area(M ) = A(T )
T ∈T
ou seja, a área de M é a soma das áreas dos triângulos T ∈ T formado pelos vértices
{pi−1 , pi , pi+1 }, como na figura 12.
Sabendo que cj é a norma do segmento oposto ao ângulo αj do vértice pj , o lema
2.5 mostra que
1h i
A(T ) = kpi+1 − pi k2 cot(αi−1 ) + kpi+1 − pi−1 k2 cot αi + kpi − pi−1 k2 cot(αi+1 )
4
e, substituindo o somatório sobre os triângulos pelo somatório nas arestas da triangulação,
obtemos
1 X
Area(M ) = [cot(αij ) + cot(βij )] kpi − pj k2 .
4 (i,j)∈A(M )
Afim de obter uma caracterização para uma superfície mínima discreta vamos
utilizar a definição a seguir, que estabelece quando uma superfície é mínima de acordo
com o funcional da Área, e a Proposição 2.8, que fornece uma caracterização geométrica
para o funcional da Área. Relacionando-as conseguimos um sistema de equações lineares
que devem ser satisfeitas afim de que uma superfície triangulada M seja mínima.
Definição 2.7. Uma superfície triangulada M é dita Superfície Mínima Discreta se o

funcional da Área da aplicação identidade id|M é crítico com respeito a variações de qualquer
conjunto de vértices interiores de M , ou seja, ∇p Area(id|M ) = 0 para todo p ∈ int(M ).
Proposição 2.8. Se M ∈ R3 é uma Superfície Mínima Discreta, então ela satisfaz a

equação
1 X
∇pi Area(M ) = [cot(αij ) + cot(βij )] (pi − pj ) = 0. (2.12)
2 j∈Vi
Demonstração. Seja M uma Superfície Mínima Discreta. Reescrevendo a equação 2.11 da

proposição 2.6, temos
1 X X
Area(M ) = [cot(αij ) + cot(βij )] kpi − pj k2 .
8 pi ∈M j∈Vi
Tomando pi = (pki )k=1,2,3 ∈ int(M ) temos:

∂ 1 X X ∂ 2

Area(M ) = [cot(αij ) + cot(βij )] kp i − p j k
∂pki 8 pi ∈M j∈Vi ∂pki
 
1 X
[cot(αij ) + cot(βij )] (pki − pkj ) + [cot(αji ) + cot(βji )] (−1)(pkj − pki ) .
X
= 
4 j∈Vi j∈Vi
2.4. Energia de Dirichlet e Área 41
Uma vez as arestas (i, j) e (j, i) são as mesmas, exceto por uma questão de orientação, os
ângulos opostos à elas também
" são os mesmos
# e [cot(αij ) + cot(βij )] = [cot(αji ) + cot(βji )].
∂
Como ∇pi Area(M ) = Area(M ) temos que
∂pki k=1,2,3
1 X
∇pi Area(M ) = [cot(αij ) + cot(βij )] (pi − pj ).
2 j∈Vi
Pela definição 2.7, como M é mínima então ∇pi Area(M ) = 0, ∀pi ∈ int(M ). Então
1 X
∇pi Area(M ) = [cot(αij ) + cot(βij )] (pi − pj ) = 0.
2 j∈Vi
2.4 Energia de Dirichlet e Área

Nesse ponto é necessário que o leitor perceba a diferença entre a equação 2.3 e
a equação 2.11 que definem, respectivamente, o funcional da Energia de Dirichlet e o
funcional da Área como a soma finita de equações lineares. Em ambas, os ângulos são
tomados com relação a superfície do domínio M , mas os vértices relacionados na equação
2.3 são os vértices da imagem u(M ) enquanto na equação 2.11 os vértices relacionados no
somatório são da superfície do domínio M . Porém, quando a superfície é mínima podemos
relacionar os dois funcionais.
Proposição 2.9. Sejam M uma superfície triangulada e S o conjunto de aplicações

contínuas e lineares por partes sobre M . Assim,
Area(M ) = ED (id|M ). (2.13)
Consequentemente, para cada vértice pi ∈ int(M )
∇pi Area(M ) = ∇pi ED (idh ).
E mais, M é uma Superfície Mínima Discreta se, e somente se,
∇pi Area(M ) = ∇pi ED (id|M ) = 0.
Demonstração. Seja M ∈ R3 uma superfície triangulada e S. Pela Proposição 2.6 temos

que
1 X
Area(M ) = (cot αij + βij )kpi − pj k2 ,
4 (i,j)∈A(M )
onde αij , βij são os ângulos opostos a aresta (i, j) ∈ A(M ).
Por outro lado, a equação 2.3 do Teorema 2.3, nos da
1 X
ED (id|M ) = (cot αij + cot βij )kid(pi ) − id(pj )k2
4 (i,j)∈A(M )
m
1 X
ED (id|M ) = (cot αij + cot βij )kpi − pj k2 .
4 (i,j)∈A(M )
Portanto, Area(M ) = ED (id|M ), como desejado.
Agora, seja pi um vértice interior de M , pela Proposição 2.8
1 X
∇pi Area(M ) = (cot αij + cot βij )(pi − pj )
2 j∈Vi
e a equação 2.4 do Teorema 2.3 garante que

1 X
∇id(pi ) ED (id|M ) = (cot αij + cot βij )(id(pi ) − id(pj )) = 0
2 j∈Vi
m
1 X
∇pi ED (id|M ) = (cot αij + cot βij )(pi − pj ).
2 j∈Vi
Logo,
1 X
∇pi Area(M ) = ∇pi ED (id|M ) = (cot αij + cot βij )(pi − pj ).
2 pj ∈Vi
Como a Definição 2.7 nos garante que M é mínima se, e so se,
∇pi Area(M ) = 0, ∀pi ∈ int(M ),
como consequência do que acabamos de demonstrar
M é mínima ⇔ ∇pi Area(M ) = ED (id|M ) = 0.
Concluímos que uma superfície triangulada M é mínima se, e somente se,

1 X h i
∇pi ED (id|M ) = cot(αij) + cot(βij ) (pi − pj ) = 0 ∀pi ∈ int(M ).
2 (i,j)∈A(M )
A partir deste fato, no próximo capítulo, vamos desenvolver nosso algoritmo para obter
superfícies mínimas discretas.
43
3 Aspectos Numéricos
3.1 O Algoritmo
Agora iremos utilizar o método sugerido por (PINKALL; POLTHIER, 1993) para
definir uma sequência de superfícies trianguladas, e mostrar que a sequência converge para
uma Superfície Mínima Discreta. É necessário definirmos previamente:
• Γ ∈ R3 um conjuntos de curvas fechadas, a fronteira que será fixada;
• M0 uma superfície triangulada, tal que ∂M0 = Γ, uma aproximação inicial.
A sequência (Mk ) é determinada da seguinte forma, Mk+1 = umink (Mk ), e umink é

o mínimo do funcional da Energia de Dirichlet em
Sk = {u : Mk → R3 | u ∈ C 0 (Mk ) e u é linear em cada triângulo de Mk }.
O Problema: De acordo com a Proposição 2.9 M é uma Superfície Mínima

Discreta ⇔ Area(M ) = ED (id|M ) e ∇p Area(M ) = ∇p ED (id|M ) = 0 ∀ p ∈ int(M ). Dadas
Γ e M0 vamos buscar uma superfície M ∗ no conjunto
M = {M ⊂ R3 | ∂M = Γ e M possui a mesma topologia de M0 }.
de forma que ∇p ED (id|M ∗ ) = 0 para todo p ∈ int(M ∗ ).

Note que precisamos de uma superfície inicial M0 para determinarmos uma topologia
inicial, e não é permitida nenhuma mudança topológica entre a superfície inicial M0 e a
Superfície Mínima Discreta resultante do algoritmo proposto por Pinkall e Polthier.
Para obtermos a próxima superfície triangulada da sequência seguiremos o esquema:
Mk
⇓
umink ∈ Sk ; ∇p ED (umink ) = 0 ∀p ∈ int(Mk )
⇓
Mk+1 .
Depois de determinada a superfície triangulada Mk ∈ M para obter a superfície

seguinte precisamos encontrar umink , o mínimo do funcional da Energia de Dirichlet no
espaço Sk . Daí os pontos da superfície Mk+1 são definidos pelo conjunto
{umink (int(Mk )) ∪ ∂Mk },

44 Capítulo 3. Aspectos Numéricos
com a mesma topologia da superfície M0 .

Este processo repete-se até que o critério de convergência
|Area(Mk+1 ) − Area(Mk )| <
seja satisfeito para um dado > 0 suficientemente pequeno. Pelas equações 2.1, 2.13 temos
que:
ED (umink−1 ) ≥ Area(Mk ) = ED (id|Mk ) ≥ ED (umink ) ≥ Area(Mk+1 ),
⇓

 −ED (umink−1 ) ≤ −Area(Mk+1 )
 ED (umink ) ≤ Area(Mk )
0 ≤ ED (umink ) − ED (umink−1 ) ≤ Area(Mk+1 ) − Area(Mk ).
Portanto, faz sentido utilizarmos |Area(Mk+1 ) − Area(Mk )| < como critério de conver-
gência.
No que segue, iremos mostrar que para encontrar os pontos {umink (int(Mk ))}
basta resolver um sistema linear positivo definido; ou seja, para determinar os pontos da
superfície Mk+1 basta resolver um sistema linear que possui única solução.
Considere a triangulação de Mk ∈ M com pontos P = {p1 , . . . , pB , pB+1 , . . . , pB+I }
onde pi ∈ ∂Mk para i ≤ B e pi ∈ int(Mk ) quando i > B. Como os pontos da fronteira
são fixados, defina X = [p1 , . . . , pB , xB+1 , . . . , xB+I ] a triangulação de Mk+1 e a matriz
S ∈ MB+I (R) da seguinte forma: para i 6= j, defina

 − 12 [cot(αij ) + cot(βij )] ; (i, j) ∈ A(Mk )
Sij = 
0 ; (i, j) ∈
/ A(Mk ),
onde αij , βij são os ângulos opostos a aresta (i, j) ∈ A(Mk ). E na diagonal, defina
X
Sii = (−Sij ).
j6=i
Note que os ângulos αij , βij dependem da geometria da superfície triangulada Mk ,

logo ela é alterada a cada iteração do processo. E mais, a matriz S é simétrica uma vez
[cot(αij ) + cot(βij )] = [cot(αji ) + cot(βji )], como já foi visto no capítulo anterior. Se a
aresta (i, j) só pertencer a um triângulo de Mk , então umas das cotangentes será nula
(não existe).
3.1. O Algoritmo 45
Podemos reescrever a Equação 2.2 utilizando a matriz S
1
[cot(αij ) + cot(βij )] kui − uj k2
X
ED (umink ) =
4 (i,j)∈A(Mk )
1 B+I
(−Sij ) kui k2 − 2hui , uj i + kuj k2
X
=
2 i,j=1
 
1 B+I B+I B+I
(−Sij ) kui k2 + 2 (−Sij ) kuj k2 
X X X
=  Sij hui , uj i +
2 i,j=1 i,j=1 i,j=1
   
1 B+I B+I B+I B+I
"B+I #

2 2
X X X X X
= kui k (−Sij ) + 2 Sij hui , uj i + kuj k (−Sij )
2  i=1 j=1 i,j=1 j=1 i=1

  
1 B+I B+I
kui k2 −Sii +
X X X
= (−Sij ) + 2 Sij hui , uj i
2  i=1 j6=i i,j=1
 
B+I 
kuj k2 −Sjj +
X X
+ (−Sij )

j=1 i6=j
B+I
X
= Sij hui , uj i.
i,j=1
Onde ui = umink (pi ) é o valor da aplicação umink sobre o vértice pi , A(Mk ) é o conjunto das
arestas da superfície Mk e os ângulos αij e βij são os ângulos oposto a aresta (i, j) ∈ A(Mk ).
Por outro lado, se considerarmos U = [uji ] onde uji = ujmink (pi ) é o valor da j-ésima
função coordenada de umink sobre o vértice pi , temos que
   
u1 . . . u1B+I   S1,1 . . . S1,B+I   u11
 1
u21 u31
 . .. ..   .. .. .. 
U T SU = u21 . . . u2B+I   .. . .  . . . 
 
 
  
u31 . . . u3B+I SB+I,1 . . . SB+I,B+I u1B+I u2B+I u3B+I
P  
B+I 1 PB+I 1 PB+I 1
uS uS ... uS u1 ... u31
 i=1 i i1 i=1 i i2 i=1 i iB+I
 1
.. .. .. ..   .. .. .. 
= . . . .  . . . 
 

  
PB+I 3 PB+I 3 PB+I 3 1 3
i=1 ui Si1 uS
i=1 i i2 ... i=1 ui SiB+I uB+I . . . uB+I
P PB+I 3 PB+I 1 
B+I 1 PB+I 1
u u S ij ... u u S ij
 j=1 j i=1 i j=1 j i=1 i
.. .. .. 
= 
. . .

 
 
PB+I 1 PB+I 3 PB+I 3 PB+I 3
j=1 uj i=1 ui Sij ... j=1 uj i=1 ui Sij
P 
B+I PB+I
u1 u1 S ... u1i u3j Sij
 i,j=1 i j ij i,j=1
.. .. .. 
= 
. . .

 
 
PB+I 3 1 PB+I 3 3
i,j=1 ui uj Sij . . . i,j=1 ui uj Sij
donde
B+I B+I B+I
u1i u1j Sij + u2i u2j Sij + u3i u3j Sij
X X X
tr(U T ST ) =
i,j=1 i,j=1 i,j=1
B+I
Sij u1i u1j + u2i u2j + u3i u3j
X
=
i,j=1
B+I
X
= Sij < ui , uj > .
i,j=1
Logo,
tr(U T SU ) = ED (umink )
Como consequência, seja uji o valor da j-ésima função coordenada de umink sobre o vértice
pi , o gradiente da Energia de Dirichlet com respeito a variável ui é expresso da seguinte
forma
" # " #
∂ ∂ ∂ ∂
∇ui ED (umink ) = E (u
1 D mink
), 2 ED (umink ), 3 ED (umink ) = ED (umink )
∂ui ∂ui ∂ui ∂uji
B+I
Sil u1l , u2l , u3l
X
= 2
l=1
B+I
X
= 2 Sil Ul ,
l=1
onde Ul representa a linha l da matriz U .

Como a triangulação de Mk+1 é dada por X = [p1 , . . . , pB , xB+1 , . . . , xB+I ] e
umink : Mk → R3 é a aplicação que minimiza o funcional da Energia de Dirichlet sobre Sk
o espaço de funções contínuas e lineares por partes sobre Mk , temos que
 
B B+I
X X →
−
∇xi ED (umink ) = 2  Sij pj + Sij xj  = 0 ,
j=1 j=B+1
onde o zero no lado direito da equação é o vetor nulo de R3 .

Na formulação do nosso problema os pontos de fronteira ficam fixos, logo a direção
de variação será dada por X̃ = [0, . . . , 0, xB+1 , . . . , xB+I ]. Assim,
∂
ED (umink )|X=P = Q,
∂ X̃
onde Q ∈ MB+I,3 (R) é definida como



 Qi = [0 0 0] ;i ≤ B
B B+I
X X ,


 Qi = [2 Sij pj + Sij xj ] ; i > B
j=1 j=B+1
sendo Qi é a i-ésima linha da matriz Q.

3.1. O Algoritmo 47
Portanto, encontrar a próxima superfície da sequência se resume a resolução do

sistema linear
S II x = −S IB p (3.1)
onde x = [xB+1 , . . . , xB+I ] , p = [p1 , . . . , pB ], e S II , S IB são submatrizes de S, relacionado
os vértices internos (I) e os vértices da fronteira (B)(Figura 13), ou seja, S II = [S]ij ; B+1 ≤
i, j ≤ B + I e S IB = [S]ij ; B + 1 ≤ i ≤ B + I, 1 ≤ j ≤ B.
1 ... B B+1 ... B+I
1 ... B B+1 ... B+I

S=
IB II
S S
Figura 13 – Formato da matriz de cotangentes S.
Proposição 3.1. O sistema S II x = −S IB p obtido na Equação 3.1 possui solução e ela é

única, se os ângulos internos dos triângulos da superfície M pertencem ao intervalo 0, π2 .
Demonstração. De fato, note que a matriz S é simétrica já que
[cot(αij ) + cot(βij )] = [cot(αji ) + cot(βji )]
e também é positiva definida, já que
U T SU = 0 ⇔
X X
Sij hui , uj i = 0
pi ∈M j∈Vi
onde 0 representa a matriz nula 3 × 3. Agora, como todos ângulos internos dos

triângulos pertencem ao intervalo 0, π2 , temos que hui , uj i > 0 ∀pi ∈ M, j ∈ Vi . Portando
U T SU = 0 ⇔ U = 0 ∈ R(B+I)×3 .
E, da forma que é definida a submatriz S II de S, podemos afirmar que ela também
é simétrica positiva definida, basta tomar UI com os vértices internos de M e notar que
UIT S II UI = 0 se, e somente se, UI = 0 ∈ RI×3 . Portanto o sistema linear
S II x = −S IB p
(Eq. 3.1) é simétrico positivo definido, e podemos afirmar que ele possui solução e ela é
única.
O esquema para obter a próxima superfície triangulada da sequência pode ser

reescrito como:
Mk
Ax = b; A = S II e b = −S IB p
Mk+1
Determinada a superfície triangulada Mk , para obtermos os vértices internos da

superfície Mk+1 basta resolvermos o sistema linear de solução única Ax = p, onde A = S II
e b = −S IB p, que dependem da geometria da superfície Mk . Para resolvermos este sistema,
utilizaremos o Gradiente Conjugado, que será exibido na próxima seção deste capítulo.
Desta forma, nosso algoritmo seguirá os seguintes passos:
1. Dados uma união de curvas fechadas Γ ⊂ R3 e > 0 suficientemente pequeno, tome

uma superfície M0 ⊂ R3 , onde ∂M0 = Γ, como aproximação inicial da superfície
mínima M ∗ que possui Γ como fronteira.
2. Calcular os vértices internos de Mk+1 a partir da solução do sistema linear de solução

única
Ax = b; A = S II e b = −S IB p.
Os vértices da fronteira são fixos, ∂Mk+1 = ∂M0 .
3. Se |Area(Mk ) − Area(Mk+1 )| < , então a superfície Mk+1 é a superfície mínima

desejada, isto é, M ∗ = Mk+1 . Caso contrário, voltamos ao passo 2.
A convergência do algoritmo tem grande dependência com relação a superfície

inicial tomada, ela deve ser bem estruturada em se tratando de ângulos, se os ângulos
internos de seus triângulos forem próximos ou maiores que 90o graus o algoritmo pode
se portar de forma indesejada, principalmente no momento em que usamos o Gradiente
Conjugado para solucionar o sistema linear, gerando degenerações nas superfícies obtidas
ao longo do algoritmo.
Proposição 3.2. Se não houver triângulos degenerados em nenhuma superfície da sequên-

cia (Mk ) o algoritmo converge para a solução do problema.
Demonstração. Dizer que não se tem triângulos degenerados significa, por definição, que
os ângulos de todos triângulos em toda superfície Mk são uniformemente limitados entre 0
e π. Assim, estamos trabalhando sobre um conjunto compacto de superfícies.
3.1. O Algoritmo 49
Por construção, as sequências {Area(Mk )} e {ED (uk )} são monótonas decrescentes

e limitadas. Pela Equação 2.1, temos
Area(Mk ) = ED (id|Mk )
≥ ED (umink−1 )
= Area(Mk+1 ) + EC (umink−1 )
≥ Area(Mk+1 )
= ED (umink ),
onde umini é o mínimo do funcional da Energia de Dirichlet sobre o conjunto Si das funções
contínuas e lineares por partes sobre Mi . Temos então que

 0 ≤ Area(Mk+1 ) ≤ Area(Mk ) ≤ Area(M0 )
 0 ≤ E (u
D mink : Mk → Mk+1 ) ≤ ED (umink−1 : Mk−1 → Mk ) ≤ ED (umin0 : M0 → M1 ).
Então, a sequência (Mk ) possui uma subsequência convergente uniformemente para uma
superfície triangulada M ∗ ∈ M, isto é, |Mk − M ∗ | → 0, onde a norma utilizada é o máximo
da distância entre os vértices correspondentes. Resta mostrarmos que M ∗ é uma Superfície
Mínima Discreta. Seja
Fk : M −→ R
1 XZ
M −→ Fk (M ) := ED (u : Mk → M ) = k∇u|T k2 dx; x = (x, y, z) ∈ T.
2 T ∈T T
Note que Fk é um funcional quadrático com mínimo em Mk+1 , ou seja,
∇Fk|Mk+1 = 0.
Como estamos minimizando sobre um conjunto compacto de superfícies existe
smax = sup k∇2 Fk k.

k
Daí, pelo Teorema do Valor Médio, existe M ∈ M tal que
∇Fk|Mk = ∇Fk|Mk − ∇Fk|Mk+1 = ∇2 Fk|M |Mk − Mk+1 |2
⇓
∇Fk|Mk ≤ smax |Mk − Mk+1 |2
Uma vez que Mk → M ∗ uniformemente, temos que
∇ED (id|Mk ) = ∇Fk|Mk → ∇ED (id|M ∗ ) = ∇F|∗M ∗ = 0
Portanto, a aplicação identidade restrita a M ∗ é o mínimo da Energia de Dirichlet, e pela

Proposição 2.9, concluímos que M ∗ é uma Superfície Mínima Discreta.
3.2 O Método do Gradiente Conjugado como Método de Descida

Acentuada
Vimos na seção anterior, que nosso problema foi resumido a resolução de um sistema
linear Ax = b de única solução, onde a matriz A = S II é simétrica positiva definida. Para
tal tarefa vamos utilizar o método do Gradiente Conjugado como um método de Descida
(GOLUB; LOAN, 1996). Inicialmente vamos introduzir o que é um método de descida e
um método de descida acentuada.
3.2.1 Método de Descida Acentuada

O método de descida é um método de projeção que visa encontrar uma solução
aproximada x̃ do sistema linear Ax = b sobre o subespaço K ∈ Rn chamado subespaço de
busca. Se dimK = m, então necessitamos de m restrições para obtermos nossa aproximação.
Dessa forma tomamos m vetores linearmente independentes ortogonais ao vetor resíduo
r = Ax − b, e o subespaço L gerado por estes vetores é chamado subespaço de restrições.
Assim, o objetivo é encontrarmos um vetor x̃ ∈ K tal que r = Ax̃ − b seja ortogonal
ao subespaço L. Vamos obter este vetor através da minimização do funcional f : Rn → R
tal que f (y) = 21 < Ay, y > − < y, b >.
Proposição 3.3. Seja A ∈ Mn (R) uma matriz simétrica positiva definida e b ∈ Rn . Então
a solução do sistema Ax = b é o único ponto que minimiza o funcional quadrático
1
f (y) = < Ay, y > − < b, y > .
2
Demonstração. Considerando uma matriz A ∈ Mn (R) simétrica positiva definida, então
A é inversível e o sistema linear Ax = b possui uma única solução x.
Temos que
1
f (y) − f (x) = 2
< Ay, y > − < y, b > − 21 < Ax, x > + < x, b >
1
= 2
< Ay, y > − < Ax, y > − 21 < Ax, x > + < Ax, x >
1
= 2
< Ay, y > − < Ax, y > + 12 < Ax, x >
1
= 2
< Ay, y > − 21 < Ax, y > − 21 < Ax, y > + 12 < Ax, x >
1
= 2
< A(y − x), y > − 21 < A(y − x), x >
1
= 2
< A(y − x), y − x > .
Como a matriz A é positiva definida, temos
< A(y − x), y − x >> 0 e < A(y − x), y − x >= 0 se, e somente se, y = x. Portanto
f (y) > f (x) para todo y 6= x e o mínimo de f ocorre em x.
3.2. O Método do Gradiente Conjugado como Método de Descida Acentuada 51
O objetivo do método de descida é obter uma sequência de iterados x1 , x2 , . . . , xk , . . .

a partir de um chute inicial x0 , de forma que
f (xk+1 ) ≤ f (xk ) ou ainda melhor, que f (xk+1 ) < f (xk ),
convirja para o mínimo do funcional f .

Para passar do passo xk para o próximo iterado xk+1 é necessário:
1. Uma direção de busca: A escolha de um vetor pk que indicará a direção que

vamos avançar de xk para xk+1 .
2. O comprimento do avanço: Determinar o comprimento do avanço na direção de

busca, que equivale à escolha de um escalar αk multiplicado pelo vetor de busca pk .
Assim, teremos
xk+1 = xk + αk pk .
Para encontrarmos o comprimento do avanço faremos a chamada busca exata na

reta, uma vez que queremos determinar um ponto αk na reta {xk + αpk | α ∈ R} de forma
que
f (xk+1 ) = f (xk + αk pk ) = min f (xk + αpk ).
α∈R
Proposição 3.4. Considere o sistema Ax = b, onde A ∈ Mn (R) uma matriz simétrica

positiva definida, b ∈ Rn , o funcional f de modo que f (y) = 12 < Ay, y > − < b, y > e αk
de modo que αk = minα∈R f (xk + αpk ). Então,
< pk , rk >
αk = .
< pk , Apk >
Demonstração. Considerando todas as hipóteses da proposição, defina agora o funcional
g:R→R
α → f (xk + αpk ).
Agora, vamos mostrar que o funcional g nada mais é que uma equação de segundo grau
<pk ,rk >
em α e que seu mínimo ocorre em αk = <p k ,Apk > como desejado. Note que,
g(α) = 12 < A(xk + αpk ), xk + αpk > − < b, xk + αpk >

= 12 < Axk , xk > − < b, xk > + α2 < Apk , xk > + α2 < Axk , pk >
2
+ α2 < Apk , pk > −α < b, pk >
2
= f (xk ) + α[< Axk , pk > − < b, pk >] + α2 < Apk , pk >
2
= f (xk ) − α < rk , pk > + α2 < Apk , pk > .
b
Logo o mínimo de g ocorre no ponto − 2a da parábola y = aα2 + bα + c, que é dado
por
< rk , pk >
αk = .
< Apk , pk >
Gostaríamos ainda que xk seja diferente de xk+1 para que tenhamos f (xk+1 ) < f (xk ),
para isso é necessário que αk seja diferente de zero. Note que αk se anula se, e somente se,
< pk , rk > se anular, ou seja, se a direção de busca for ortogonal ao resíduo. Então para
conseguirmos o que almejamos devemos escolher uma direção de busca pk que não seja
ortogonal ao resíduo rk .
O que irá determinar a diferença entre o método de descida acentuada e o método
do gradiente conjugado é exatamente a escolha do vetor de busca pk . Uma escolha mais
apropriada fará com que o método convirja mais rápido ou não para solução.
De acordo com o cálculo diferencial a direção que uma função cresce a uma taxa
mais rápida é na direção de seu vetor gradiente, portanto se considerarmos o negativo de
seu vetor gradiente será a direção em que a função decresce a uma taxa mais rápida. Essa
é a ideia do Método de Descida Mais Acentuada, onde consideramos a direção de
busca como
pk = −∇f (xk ) = b − Axk = rk .
Então, no método de descida mais acentuada, temos que
xk+1 = xk + αk rk ,
< rk , rk >
onde αk = .
< Ark , rk >
Vamos agora, mostrar que o método de descida acentuada converge de fato, e antes
de enunciarmos o Teorema que irá provar esse fato vamos enunciar alguns argumentos que
vamos utilizar na demonstração de tal Teorema.
Observação 3.5. Se A ∈ Mn (Rn ) é uma matriz simétrica positiva definida, então ela
define um produto interno em Rn × Rn e, consequentemente, uma norma em Rn , dados
por:
<, >A : Rn × Rn → R
(u, v) → < u, v >A =< u, Av >=< Au, v >,
e
k.kA : Rn → R
√ √
v → kvkA = < u, u >A = < u, Au >.
Definição 3.6. Considere o sistema linear Ax = b, onde A ∈ Mn (R) é simétrica positiva

definida, b ∈ Rn e x é a solução do sistema, então definimos o erro algébrico do método de
descida acentuada como
e k = x − xk
Lema 3.7 (Desigualdade de Kantorovich). Sejam A ∈ Mn (R) uma matriz simétrica

positiva definida e λmax , λmin seu maior e menor autovalor, respectivamente. Então
< Ax, x >< A−1 x, x > (λmin + λmax )2
≤ ; para todo x 6= 0.
< x, x >2 4λmin λmax
Lema 3.8. Seja xk+1 = xk + αk pk obtido através da busca exata na reta. Então,
rk+1 ⊥ pk
e
e k+1 ⊥A pk .
Corolário 3.9. Considerando o método de descida acentuada para resolver o sistema

linear Ax = b, onde A é simétrica positiva definida, temos que
rk+1 ⊥ rk
e
e k+1 ⊥A rk .
Teorema 3.10. Seja A ∈ Mn (R) simétrica positiva definida, λmax , λmin seu maior e
menor autovalor, respectivamente. Então o erro algébrico do método de descida acentuada
dado por e k = x − xk , satisfaz a estimativa
!k
k λmax − λmin
ke kA ≤ ke 0 kA .
λmax + λmin
e, portanto, o método de descida acentuada converge qualquer que seja o chute inicial x0 .
Demonstração. Note que
e k+1 = x − xk+1 = x − (xk + αk rk ) = e k − αk rk .
Pelo Corolário 3.9, temos que
ke k+1 k2A =< e k+1 , e k+1 >A =< e k+1 , e k >A −αk < e k+1 , rk >A =< e k+1 , e k >A
=< e k+1 , Ae k >=< e k+1 , rk > .
Agora utilizando o Lema 3.7,
ke k+1 k2A =< e k − αk rk , rk >=< e k , rk > −αk < rk , rk >

<rk ,rk > <rk ,rk >

=< e k , rk > 1 − <r k ,Ar k > <e k ,r k >
<rk ,rk > <rk ,rk >

=< e k , Ae k > 1 − <r k ,Ar k > <A−1 r k ,r k >
<rk ,rk > <rk ,rk >

= ke k k2A 1 − <r k ,Ar k > <r k ,A−1 r k >

min λmax
≤ ke k k2A 1 − (λ4λ
min +λmax )
2
2
k 2 λmax −λmin
= ke kA λmax +λmin .
Daí segue de imediato que

!k
k λmax − λmin
ke kA ≤ ke 0 kA .
λmax + λmin
Logo a sequência de iterados (xk ) converge para a solução x qualquer que seja o
chute inicial x0 dado.
Devido a problemas de velocidade na convergência do Método de Descida Acentuada

foi necessário aprimorá-lo, criando o Método do Gradiente Conjugado.
3.2.2 Gradiente Conjugado

Ao longo do Método de Descida Acentuada temos que xk+1 = xk + αk pk , assim na
k-ésima iteração temos que
xk = x0 + α1 x1 + . . . + αk−1 xk−1 .
A cada iteração, o método minimiza o funcional quadrático f ao longo da reta

{xk−1 +αpk−1 } que constitui um pequeno subconjunto do subespaço x0 + < p0 , p1 , . . . , pk−1 >.
No método do Gradiente Conjugado vamos minimizar o funcional f sobre todo o subespaço
x0 + < p0 , p1 , . . . , pk−1 >.
No que segue vamos definir a direção de busca pk do método Gradiente Conjugado.
Por uma pequena manipulação de contas levando em consideração a Proposição 3.3
obtemos o seguinte Teorema:
Teorema 3.11. Seja A ∈ Mn (R) uma matriz simétrica positiva definida e b ∈ Rn . Então
o funcional quadrático associado ao sistema Ax = b pode ser reescrito da forma
1 1
f (y) = kek2A − kxk2A ,
2 2
onde x é a solução do sistema Ax = b e e = x − y é o erro algébrico. Em particular,
minimizar o funcional quadrático equivale a minimizar a A-norma do erro algébrico.
Corolário 3.12. Em um método de descida minimizar a A-norma do erro algébrico

equivale a encontrar uma melhor aproximação do vetor e 0 = x − x0 no subespaço Wm =<
p0 , p1 , . . . , pm−1 >.
Demonstração. Considerando o sistema Ax = b e x a solução do sistema; em um método

de descida no seu k-ésimo passo teremos
e k = x − xk
= x − x0 − (α0 p0 + α1 p1 + . . . + αk−1 pk−1 ).
Pk−1
= e 0 − i=0 α i pi .
Então a A-norma do erro algébrico no k-ésimo passo é

k−1
k 0
αi pi kA .
X
ke kA = ke −
i=0
Portanto, minimizar ke k kA é o mesmo que buscar a melhor aproximação do vetor e 0 no

subespaço gerado pelos vetores de direção de busca dos passos anteriores {p0 , p1 , . . . , pk−1 }.
De acordo com o Teorema 3.11 e o Corolário 3.12, encontrar uma boa aproximação
da solução x do sistema linear Ax = b simétrico positivo definido, equivale a encontrar
uma melhor aproximação do vetor e 0 = x − x0 no subespaço Wm =< p0 , p1 , . . . , pm−1 >.
E para garantir a existência dessa melhor aproximação e caracterizá-la, basta
considerar o Lema da Melhor Aproximação:
Lema 3.13 (Lema de Melhor Aproximação). Sejam A ∈ Mn (R) simétrica positiva definida,
v ∈ Rn e W um subespaço de Rn . Então, existe um único vetor w ∈ W que satisfaz
kv − wkA = min kv − zkA .

z∈W
E este vetor w pode ser caracterizado como
v − w ⊥A W.
Agora vamos construir o método Gradiente Conjugado, isto é, determinar a sua

direção de busca a cada iteração. De acordo com a Proposição 3.13 precisamos escolher
um vetor p = k−1 i
P
i=0 αi p de tal forma que
e k = e 0 − p ⊥A pi ; ∀ i = 1, 2, . . . , k − 1.
Logo, a cada passo desejamos que o erro algébrico seja A-perpendicular à todos
vetores de busca anteriores. O Lema 3.8 garante que
e k ⊥A pk−1 .
ou seja, garantimos que o erro algébrico é A-perpendicular ao último vetor de busca pk−1 .
Esquema da construção do Gradiente Conjugado:
1. Dê um chute inicial x0 e vamos tomar o primeiro p0 como no método de descida

acentuada, ou seja, p0 = r0 .
2. Faça uma busca exata na reta {x0 +tp0 | t ∈ R} e determine α0 definido na Proposição
3.4 como
< p0 , r0 > < r0 , r0 >
α0 = =
< p0 , Ap0 > < r0 , Ar0 >
Assim, x1 = x0 + α0 p0 .
3. Determinar p1 :
O Lema 3.8 nos garante que e1 ⊥A p0 , e considerando que será feita uma busca exata
na reta, também teremos que e 2 ⊥A p1 . Como
e 2 = x − x2 = e 1 − α 1 p 1 .
⇓
< e 2 , p0 >A =< e 1 , p0 >A −α1 < p1 , p0 >= −α1 < p1 , p0 > .
Logo, para que tenhamos e 2 ⊥A p0 , basta que p1 seja conjugado a p0 . Para isso
vamos escolher
< r1 , p0 >A 0
p1 = r 1 − p,
< p0 , p0 >A
onde < r1 , p0 >A /< p0 , p0 >A é dado pelo algoritmo de Gram-Schmidt.
4. Faça uma busca exata na reta {x1 + tp1 | t ∈ R} e determine α1 como na Proposição
3.4 e x2 = x1 + α1 p1 .
5. Determinar pm :
Seguindo dessa forma, após m iterações teremos {x0 , x1 , . . . , xm } e o m-ésimo erro

algébrico satisfazendo
e m ⊥A pi ; ∀i = 1, . . . , m − 1.
Levando em consideração que será feita uma busca exata na reta posteriormente já
garantimos que e m+1 ⊥A pm . Agora, para todo i = 1, . . . , m − 1
e m+1 = e m − αm pm
⇓
< e m+1 , pi >A =< e m , pi >A −αm < pm , pi >A
⇓
< e m+1 , pi >A = −αm < pm , pi >A .
Portanto, para que e m+1 ⊥A pi para todo i = 1, . . . , m basta que pm seja A-
perpendicular com a todos vetores de busca anteriores. Para isto, tomaremos
m−1
pm = r m − cmi pi
X
i=0
onde os coeficientes cmi = < rm+1 , pi >A /< pi , pi >A são dados pelo algoritmo de
Gram-Schimdt.
Proposição 3.14. Os coeficientes cmi utilizados para gerar o vetor de busca pm no método
Gradiente Conjugado são nulos; exceto, talvez, para i = m.
Demonstração. Vamos dar uma ideia da demonstração desta proposição. Inicialmente o

leitor deve provar que, após j iterações do Gradiente Conjugado vale
< p0 , . . . , pj−1 >=< r0 , . . . , rj−1 >=< r0 , Ar0 , . . . , Aj−1 r0 >:= Kj (A, r0 )
Depois, será fácil notar que
e j ⊥A Kj (A, r0 ) e rj ⊥ Kj (A, r0 )
Uma vez que, para todo i = 1, . . . , m−1, temos que cmi = < rm+1 , pi >A /< pi , pi >A ,
devemos mostrar que < rm+1 , Api >= 0 . Mas < p0 , . . . , pm−1 >=< r0 , Ar0 , . . . , Am−1 r0 >,
implica que
Api ∈< Ap0 , . . . , Api >=< Ar0 , . . . , Ai+1 r0 >⊂ Ki+1 (A, r0 ) ⊂ Km+1 (A, r0 )
como rm+1 ⊥ Km+1 (A, r0 ) temos que rm+1 ⊥ Api .
Portando, a cada iteração do método Gradiente Conjugado, teremos
xm+1 = xm + αm pm ,
m+1 m
onde αm é obtida através da busca exata na reta e pm = rm+1 − <r<pm ,p,pm >>AA . Com mais
algumas manipulações na equação que define pm , conseguimos uma formulação que só
dependerá dos resíduos e do vetor de busca anterior, dada por
m m+1 m−1 < rm+1 , rm+1 >

p =r − βm p ; βm =
< rm , rm >
Teorema 3.15. Seja A ∈ Mn (R) uma matriz simétrica positiva definida. Então o método
Gradiente Conjugado converge, no máximo, em n iterações.
Demonstração. Uma vez que rj ⊥ Kj (A, r0 ) = hr0 , r1 , . . . , rj−1 i, depois de n − 1 iterações

com ri 6= 0; ∀i = 1, . . . n − 1, temos que os vetores r0 , r1 , . . . , rn−1 são linearmente
independentes, logo formam uma base ortogonal de Rr . Depois de mais uma iteração rn
deve satisfazer
rn ⊥ hr0 , r1 , . . . , rn−1 i = Rn
rn = 0
b − Axn = 0.
Portanto, xn é a solução do sistema.

Portanto, se A é uma matriz n × n simétrica positiva definida, o Gradiente Con-

jugado converge, no máximo, em n iterações. Na maioria das aplicações o método do
Gradiente Conjugado converge ainda mais rápido do que as n iterações8, se apenas uma
boa aproximação é requerida. O Teorema a seguir garante uma estimativa da velocidade
de convergência do método Gradiente Conjugado, sua demonstração será omitida e pode
ser encontrada em (GOLUB; LOAN, 1996).
Teorema 3.16. Sejam A ∈ Mn (R) uma matriz simétrica positiva definida e b ∈ Rn .

Utilizando o Gradiente Conjugado para encontrar a solução do sistema linear Ax = b,
temos que o erro algébrico do Gradiente conjugado na k-ésima iteração, e k = x − xk ,
satisfaz
√ !k
k 0 κ−1
ke kA ≤ 2ke kA √
κ+1
λmin
onde κ = λmax
, a razão entre o menor e o maior autovalor de A.
Esta estimativa é bem melhor que a estimativa do método da Descida Acentuada,

mostrando que o método do gradiente conjugado é bem mais rápido. Por outro lado, como
naquele método, a velocidade de convergência do método Gradiente Conjugado dependerá
fortemente da boa ou má condicionalidade da matriz A.
59
4 Resultados
Nesta seção vamos mostrar os resultados obtidos utilizando o método desenvolvido

por (PINKALL; POLTHIER, 1993) para gerar superfícies mínimas discretas como solução
do Problema de Plateau. O algoritmo que desenvolvemos durante este trabalho tem como
entrada uma superfície inicial cuja fronteira será fixada durante as iterações e, portanto,
será a curva que define a Superfície Mínima Discreta. Ao longo do algoritmo é gerada uma
sequência de superfícies Mk , de mesma fronteira, cujos vértices são obtidos por meio da
solução de um sistema linear.
Todas as rotinas, empregadas para obter os resultados do capítulo anterior, foram
desenvolvidas e executadas no MATLAB em um computador com processador Core i7 870
2.93GHz 8MB L3 Cache (Quad-Core), memória 4Gb DDR3 1333Mhz e placa de vídeo
PCI-E GeForce 250 GTS 512MB DDR3 (Xfx).
Alguns critérios de comparação foram utilizados para analisar a convergência da
sequência de superfícies de mesma fronteira, verificando se os funcionais da Área e da
Energia de Dirichlet convergem para o mesmo valor como mostramos no Capítulo 2. Em
todos exemplos empregamos a norma da diferença entre a área da superfície obtida na
iteração anterior pela área da superfície obtida na iteração atual:
E1 = kArea(Mk−1 ) − Area(Mk )k. (4.1)
Cabe ressaltar que E1 , como vimos no capítulo anterior, é utilizado como critério de
parada para algoritmo: Se E1 = kArea(Mk−1 )−Area(Mk )k < , para > 0 suficientemente
pequeno, então o algoritmo é encerrado. Tomamos = 1E − 04 como tolerância para nosso
critério de parada.
O segundo critério de comparação só poderá ser calculado quando conhecermos a
superfície mínima, ou melhor, a área da superfície mínima que é solução do Problema de
Plateau com tal fronteira fixada. O critério é obtido tomando a norma da diferença entre
a área da superfície obtida a cada iteração e a área da superfície mínima contínua:
E2 = kArea(Mk ) − Area(S)k. (4.2)
Por último, também sabemos que uma superfície mínima também é caracterizada
por ter curvatura média nula. Por isso, em alguns casos também iremos observar o
comportamento da curvatura média discreta da sequência (Mk ) de superfícies trianguladas.
Em cada vértice pi de uma superfície triangulada Mk , a curvatura média discreta é dada
60 Capítulo 4. Resultados
por:
1 X
H(pi ) = k [cot(αij ) + cot(βij )] (pi − pj ) k, (4.3)
4Ai j∈Vi
αij e βij são os ângulos opostos a aresta (i, j) ∈ A(Mk ), e Ai é a área da região de Voronoi
do ponto pi . Uma forma de calcular Ai pode ser vista em (MESMOUDI; FLORIANI;
MAGILLO, 2012).
4.1 Exemplo 1: Superfícies Planares

O exemplo mais simples de superfície mínima é dado por qualquer região limitada
por uma curva fechada simples em um plano de R3 . Para obtermos essa superfície fizemos
uso de dois tipos de superfície inicial. Primeiro, uma superfície inicial na qual apenas
o seu vértice central não está no plano z = 0, que chamaremos de Ponto-Plano; e a
segunda superfície inicial utilizada foi uma semi-esfera de raio r = 1 centrada no ponto
(x, y, z) = (0, 0, 0).
4.1.1 Ponto-Plano
A superfície inicial escolhida neste primeiro exemplo é chamada Ponto-Plano. Esta
superfície possui quase todos os pontos no plano z = 0, exceto pelo seu ponto central
x = y = 0 que está a uma altura h = 0, 1cm deste plano. A fronteira fixada é composta
pelos pontos pertencentes ao conjunto {(x, y, z) ∈ ∂[−1, 1]2 × {0}}.
Superfície inicial Fronteira Superfície mínima
vista plano xz vista plano xz

z = 0, 1
z=0 z=0
Figura 14 – A superfície inicial (à esquerda, a fronteira (centro) e a superfície miníma discreta (direita)
obtida pelo algoritmo em apenas dois passos.
Neste caso também se fez interessante observamos se todos os pontos da superfície

estavam contidos no plano z = 0, para isto definimos o critério Altura Máxima, ou seja,
qual o maior valor em módulo da coordenada z dos pontos da superfície. Assim, se a
Altura Máxima da superfície M for igual a zero, podemos concluir que todos seus vértices
pertencem ao plano z = 0.
A Tabela 1 lista alguns dados da convergência do algoritmo para o problema Ponto-
Plano. Além do critério E1 (Equação 4.1), também são listados: o critério E2 (Equação
4.1. Exemplo 1: Superfícies Planares 61
4.2); os valores dos funcionais da Energia de Dirichlet e da Área, onde observamos a

convergência destes para os mesmos valores, bem próximos da área desta parte do plano;
e a Altura Máxima dos pontos da superfície.
Observando os dados da Tabela 1 vemos que o algoritmo converge após duas
iterações. Notamos que a convergência para o plano já ocorre na primeira iteração, já que
a Altura Máxima é nula. Mas, como é necessário que a diferença entre a área das duas
últimas superfícies seja menor que 1E − 4 foi necessário realizar mais uma iteração. A
Figura 14 ilustra o resultado do algoritmo.
Tabela 1 – Análise de convergência do problema Ponto-Plano. Os critérios E1 (Equação 4.1) e E2

(Equação 4.2), a Altura Máxima e os funcionais de Área (2.11) e da Energia de Dirichlet
(2.3) são listados em cada passo do algoritmo, isto é, para cada superfície do algoritmo até a
convergência.
Iteração E1 E2 Altura Máxima Área Energia

0 - 1,67E-02 0.1 4,016 4,0167
1 1,67E-02 2,22E-15 0 4,000 4,0019
2 1,77E-15 4,44E-16 0 4,000 4,0000
Os dados na Tabela 1 também mostram que o funcional da Energia de Dirichlet e

da Área estão convergindo para o mesmo valor como é assegurado na Proposição 2.9. O
fato de E2 e a Altura Máxima também estarem indo para zero indicam que a superfície
para a qual o algoritmo convergiu é de fato o pedaço [−1, 1]2 do plano z = 0.
4.1.2 Semi-Esfera
A superfície inicial utilizada neste exemplo (Figura 15a) foi a semi-esfera de raio
r = 1cm dada pelos pontos pertencentes ao conjunto
{(x, y, z) ∈ R3 | x2 + y 2 + z 2 = 1 e z ≥ 0}
A fronteira fixada é composta pelos pontos da semi-esfera que possuem coordenada z = 0

(Figura 15b).
(a) M0 (b) ∂M0 (c) M2
Figura 15 – (a) A superfície inicial M0 com 1741 pontos, onde a cor representa a distância do vértice
ao plano xy, ou seja, a coordenada z. (b) Destacamos os vértices e arestas da fronteira de
∂M0 . (c) Superfície mínima discreta M2 obtida pelo algoritmo.
Como no primeiro caso, independente da forma da superfície inicial, se a borda

da superfície miníma fixada, a qual podemos entender como condição de contorno do
algoritmo, é uma curva plana, então o algoritmo converge para a região limitada por esta
curva (Figura 15c).
Neste caso também foi interessante observar o comportamento da Altura Máxima
das superfícies ao longo das iterações, além dos critérios E1 e E2 . A Tabela 2 mostra que
o algoritmo tomando a semi-esfera como superfície inicial convergiu em duas iterações.
Além disso, o funcional da Energia de Dirichlet e da Área convergem para os mesmos
valores, próximos da área do disco de raio r = 1cm centrado na origem no plano z = 0.
Tabela 2 – Análise de convergência do problema Semi-Esfera. Os critérios E1 e E2 , a Altura Máxima e

os funcionais de Área e da Energia de Dirichlet são listados em cada passo do algoritmo.
Iteração E1 E2 Altura Máxima Área Energia

0 - 3, 1347e + 04 1 6,2763 6.2762
1 3, 1404e + 00 5, 7383e − 03 0 3,1359 3,1381
2 2, 2204e − 15 5, 7383e − 03 0 3,1359 3,1359
4.2 Exemplo 2: Superfícies Complexas

Outro exemplo de conjunto de superfícies minímas são obtidas a partir de funções
harmônicas dadas por interpolações lineares de imagens de funções complexas definidas
sobre um domínio reticular
2x0 2y0

−x0 + ihx | i = 1, . . . , n e hx = × −y0 + jhy | j = 1, . . . , m e hy =
n m
⊂ [−x0 , x0 ] × [−y0 , y0 ]
onde hx = hy , x0 , y0 ∈ R. Neste reticulado, o qual é triangulado a partir da subdivisão de

cada quadrado pela diagonal do mesmo, as interpolações lineares das funções
Re(z), Re(z 2 ), Re(z 3 ) e Im(z 4 )
são funções harmônicas e, portanto, são superfícies mínimas.
4.2.1 Re(z 2 )
O primeiro exemplo de superfície mínima como imagem de uma aplicação sobre
um domínio complexo é dada pelos pontos (x, y, f (x, y)), onde
f : R2 → R; f (x, y) = Re((x + iy)2 ) = x2 − y 2 .
A superfície inicial deste exemplo foi gerada a partir de uma leve perturbação nos pontos
da superfície mínima discreta com 121 pontos (Figura 16). A fronteira é ilustrada ao centro
4.2. Exemplo 2: Superfícies Complexas 63
da Figura 16 e, cabe ressaltar, não é alterada ao longo de todo o algoritmo. À esquerda da

16, temos a superfície obtida pelo algoritmo.
M ∂M0 M2
0
Figura 16 – Da esquerda para a direita, a superfície inicial M0 com 121 pontos; a curva que define a
fronteira da superfície miníma durante o algoritmo ∂M0 ; e a superfície M2 obtida pelo
nosso algoritmo.
Na tabela 3 é exibido o comportamento dos critérios E1 e E2 , além dos funcionais

da Área e da Energia de Dirichlet. Observamos que E1 está convergindo para zero ao
longo das iterações, indicando a convergência do algoritmo. O critério E2 decresce na
primeira iteração, porém aumenta da segunda; isso ocorre por que obtemos uma superfície
triangulada de área menor que da superfície mínima. Notamos que ao final do algoritmo os
valores do funcional da Área e da Energia de Dirichlet são bem próximos, como esperado.
Tabela 3 – Análise de convergência do problema Re(z 2 ). Os critérios E1 e E2 , e os funcionais de Área

e da Energia de Dirichlet são listados em cada passo do algoritmo.
Iteração E1 E2 Área Energia

0 - 2, 016808E − 01 2.063586 -
1 2, 070601E − 01 5, 379318E − 03 1,856526 1,868737
2 8, 595778E − 05 5, 465275E − 03 1,856440 1,856445
4.2.2 Im(z 4 )
Outro exemplo de superfície mínima como imagem de uma aplicação sobre um
domínio complexo é dado pelos pontos (x, y, f (x, y)), onde

f : R2 → R; f (x, y) = Im (x + iy)4 = 4x3 y − 4xy 3
Na figura 17 temos a superfície inicial utilizada, com 121 pontos e a fronteira com
respeito a superfície mínima, que é fixado ao longo das iterações. Está superfície inicial,
assim como a superfície inicial tomada no caso anterior, foi produzida por meio de uma
pequena perturbação nos vértices da superfície mínima discreta.
M0 ∂M0 M47
Figura 17 – À esquerda temos a superfície inicial M0 com 121 pontos, ao centro a fronteira ∂M0 a ser
fixada ao longo do algoritmo e à direta temos a superfície M47 obtida pelo nosso algoritmo.
Na Figura 18a vemos que o critério E1 converge para zero ao longo das iterações,
indicando a convergência do algoritmo. O critério E2 cresce após a segunda iteração e logo
depois se estabilizar. Ao olharmos para a Figura 18b, concluímos que isso ocorre porque
a área da superfície obtida ao longo das iterações está cada vez menor do que a área da
superfície mínima.
0.7
0.16
0.14
E1 2.84
0.6 0.12
E2 2.84
0.1
Area
0.08
2.82 2.82
Energia
0.5 0.06
2.8
Area da Superficie
2.78
0.04
2.8
0.02 2.76
0.4 0 2.74
40 45 47 2.78
2.72
2.7
0.3 2.76 40 45 47
0.2 2.74
2.72
0.1
2.7
0
1 5 10 15 20 25 30 35 40 45 47 1 5 10 15 20 25 30 35 40 45 47
(a) Comportamento dos critérios E1 e E2 ao (b) Funcional da Área, da Energia de Dirichlet

longo das iterações. e a área da superfície mínima.
Figura 18 – Dados obtidos tomando a superfície da Figura 17 (à esquerda) como superfície

inicial e tomando a curva da Figura 17 (centro) como condição de contorno.
4.3 Exemplo 3: Tempo de processamento × Tolerância e Discreti-
zação
Ao contrário dos exemplos anteriores, neste exemplo não conhecemos a superfície
mínima com tal fronteira. Os vértices da superfície inicial M0 , com 448 pontos (Figura
19a), pertencem ao conjunto
{(x, y, z) | x ∈ {0, 1}, y, z ∈ [0, 1]} ∪ {(x, y, z) | x, y ∈ [0, 1] e z = 1}
isto é, ela é basicamente formada pelos planos x = 0, x = 1 e z = 1, sua fronteira ∂M0

(Figura 19b) será fixada ao longo das iterações, e gostaríamos de saber qual será a superfície
mínima obtida.
4.3. Exemplo 3: Tempo de processamento × Tolerância e Discretização 65
(a) M0 (b) ∂M0
Figura 19 – (a) Superfície inicial M0 com 448 pontos e (b) a fronteira da superfície mínima ∂M0 que é
utilizada como condição de contorno no algoritmo.
Neste caso o algoritmo convergiu em 19 iterações. Na Figura 20 exibimos algumas

superfícies obtidas ao longo do algoritmo.
Figura 20 – Sequência de algumas superfícies obtidas ao longo das iterações: M4 (esquerda), M9 (centro)
e a superfície final M19 (direita).
Como não tínhamos de antemão a superfície mínima com tal fronteira, não foi
possível analisarmos o comportamento do critério E2 . O critério de comparação E1 , como
é possível observar na Figura 21a, está convergindo para zero ao longo das iterações,
assegurando que o algoritmo está convergindo.
Na figura 21b, o funcional da Área e da Energia de Dirichlet parecem convergir
para o mesmo valor. Na última iteração a diferença entre o valor da Energia de Dirichlet e
a Área é de 3.7279E − 05.
2.4721
2.4721
Area
2.4721 Energia
2.4721
2.4721
2.4721
2.4721
2.472
300 305 310 315 320
(a) Comportamento do critério E1 ao (b) Funcional da Área, da Energia de Di-

longo das iterações. richlet e a área da superfície mínima.
Figura 21 – Dados obtidos tomando a superfície da Figura 19a como superfície inicial e
tomando a curva da Figura 19b como condição de contorno.
Neste exemplo achamos interessante observar o comportamento do algoritmo com

relação ao tempo de execução, ou seja, se quando tomamos uma superfície inicial com
mais vértices que outra o algoritmo demora mais tempo para convergir, quanto tempo a
mais, etc. Tomamos duas superfície iniciais, onde uma possui mais vértices que a outra:
(a) Superfície 1: 65 pontos. (b) Superfície 2: 448 pontos.
Figura 22 – Duas discretizações da superfície definida por três quadrados nos planos x = 0,
x = 1 e z = 1.
Foram utilizadas três tolerâncias diferentes = 1E − 02, 1E − 04, 1E − 06. O

Gráfico na Figura 23 relaciona o tempo que o algoritmo demorou com relação a cada
tolerância tomada, levando em consideração as duas superfícies iniciais. Este gráfico mostra
que, quando = 1E − 02, o algoritmo leva quase o mesmo tempo para convergir em ambos
casos, porém, a medida que reduzimos a tolerância a diferença de tempo se torna visível.
Quando = 1E − 06, para a superfície inicial com 65 pontos o algoritmo convergiu em
menos de dois minutos; enquanto, para a superfície inicial com 448 pontos ele precisou de
quase 2 horas para convergir. Isso mostra que a medida que refinamos a discretização da
nossa topologia inicial, o algoritmo necessita de mais tempo para convergir. E, se exigirmos
uma tolerância muito pequena essa diferença de tempo se torna considerável.
4.4. Exemplo 4: Catenóide 67
120
Superficie 1
Superficie 2
100
80
Tempo (min)
60
40
20
0
1e−02 1e−4 1e−6
Tolerância
Figura 23 – Relação entre o tempo que o algoritmo levou para convergir tomando as tolerâncias
= 1E − 02, 1E − 04, 1E − 06, para cada superfície inicial.
4.4 Exemplo 4: Catenóide

z

Leonhard Euler em 1764 descobriu que ao rotacionar a catenária y = acosh
a
ao redor do eixo z obtemos uma superfície mínima. Esta superfície foi chamada catenóide.
Ela surge quando brincamos com películas à base de água e sabão. A tensão superficial faz
com que as películas se comportem como superfícies elásticas, assim assumem formas de
menor área possível entre todas as outras que satisfazem a mesma condição de contorno
imposta. Meusnier em 1776 mostrou que a equação paramétrica da catenóide
(a cosh y cos x, a cosh ysenx, ay); (x, y) ∈ (0, 2π)2
é solução da equação de Lagrange.

Para obter uma catenóide, tomamos como superfície inicial M0 um cilindro de
altura h = 2cm que varia no intervalo [−1, 1] e raio r = 2cm. A fronteira fixada será
√
composta pelas duas circunferências C1 = {(x, y, z) ∈ R3 / x2 + y 2 = 2 e z = 1} e
√
C2 = {(x, y, z) ∈ R3 / x2 + y 2 = 2 e z = −1} (Figura 24).
(a) M0 (b) ∂M0
Figura 24 – À esquerda temos a superfície M0 com 1360 pontos, tomada como aproximação inicial para
o nosso algoritmo, e à direita ilustramos a fronteira que é fixada ao longo do algoritmo.
O resultado do algoritmo é ilustrado na Figura 25. O algoritmo convergiu para a

superfície mínima discreta com 8 iterações e uma sequência de superfícies trianguladas até
a convergência do algoritmo é ilustrada da esquerda para a direita.
O mapa de cor ilustra o comportamento da média da curvatura média sobre os
vértices da superfície, denotada por CM , variando da curvatura mais alta obtida no cilindro
com CM = 0.500526598602874 que aproxima a analítica dada por 1r , onde r é o raio do
cilindro; até a menor curvatura (em azul escuro), mais precisamente CM = 2.767424E −04.
Note que a superfície M5 já possui uma coloração azul claro e na superfície final M9 vemos
sua coloração azul escuro, indicando que sua curvatura média é muito baixa.
(a) M3 (b) M5 (c) M8
Figura 25 – Sequência de superfícies obtidas ao longo do algoritmo tomando = 1E −06 como tolerância
para obter uma catenóide. A coloração das superfícies varia de acordo com a média da
curvatura média dos pontos.
As figuras 26a e 26b mostram o comportamento dos critério E1 e E2 , e dos funcionais

da Área e da Energia de Dirichlet ao longo das 8 iterações que foram necessárias para o
algoritmo convergir tomando = 1E − 06 como tolerância.
1.2
0.06
24.2 23.98
0.05
E1
1 E2 area
energia
24.15 23.975
0.04
analítica
0.8
0.03
24.1 23.97
0.02
0.6
0.01
24.05 23.965
0.4
0
2 3 4 5 6 7 8
23.96
0.2 24 3 4 5 6 7 8
0
1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8
(a) Comportamento dos critérios E1 e E2 (b) Funcionais da Área e da Energia de

ao longo das iterações. Dirichlet e a área da catenóide.
Figura 26 – Dados obtidos tomando a superfície da Figura 24a como superfície inicial e
= 1E − 06 como tolerância.
4.4. Exemplo 4: Catenóide 69
No gráfico da Figura 26a podemos observar que o critério E1 converge para zero
ao longo das iterações, mostrando a convergência do algoritmo. O critério E2 parece estar
convergindo para zero, mas da terceira para a quarta iteração vemos que ele começa
a aumentar, se olharmos para o gráfico na Figura 26b vemos que isso ocorre porque a
sequência de superfícies gerada após a terceira iteração possui área menor do que a área
da catenóide.
Além de analisar o comportamento dos erros E1 e E2 e dos funcionais da Área e
Energia, podemos no caso da catenóide analisar o comportamento, do Raio, que é dado
pelo raio r da circunferência C = {(x, y, z) ∈ R3 / x2 + y 2 = r2 e z = 0}. Na catenóide esse

raio é dado pelo valor de a, onde y = a cosh az .
Na figura 27 vemos que o algoritmo converge para uma superfície que possui o
Raio menor do que o Raio da catenóide, por isso a superfície M8 possui área menor do
que a área da catenóide, como vimos na Figura 26b.
1.78 1.6978
1.6976 Raio M k
1.77
1.6974
Raio
1.76 1.6972
1.697
1.75
1.6968
Raio 1.74 1.6966
1.6964
1.73
1.6962
1.72 1.696
5 6 7 8
1.71
1.7
1.69
1 2 3 4 5 6 7 8
z

Figura 27 – A esquerda o exemplo do Raio de uma catenóide e o gráfico da Catenária y = a cosh , a
à direita o gráfico comparando o valor do Raio da sequência de superfícies Mk gerada ao
longo do algoritmo com o Raio da catenóide.
Para estudarmos este comportamento, em que M0 converge para uma superfície

com menor área que a superfície mínima, criamos quatro cilindros de mesmo raio r = 2cm
e mesma altura h = 2cm porém com número de pontos diferentes (Figura 28). Tomando
cada um desses cilindros como aproximação inicial, = 1E − 06 como tolerância, coletamos
os seguintes resultados exibidos na Figura 29.
(a) Cilindro 1: 100 pontos. (b) Cilindro 2: 360 pontos.
(c) Cilindro 3: 1360 pontos. (d) Cilindro 4: 5280 pontos.
Figura 28 – Cilindros utilizados para analisarmos o convergência do algoritmo no caso da

catenóide quando tomamos superfícies iniciais mais discretizadas.
23.97 1.697
23.965 1.696
Cilindr o 4 Cilindr o 3 Cilindr o 4
Cilindr o 3
1.695
23.96
Cilindr o 2 1.694 Cilindr o 2
23.955
1.693
23.95
1.692
23.945 1.691
23.94 1.69
1.689
23.935 Ár ea da Cat enóide Raio da Cat enóide
Cilindr o 1 Ár ea de M k 1.688 Raio de M k
Cilindr o 1
23.93
1 2 3 4 1 2 3 4
Figura 29 – Os gráficos ilustram as áreas (esquerda) e os Raios (direita) das superfícies obtidas pelo
algoritmo a partir das diferentes superfícies iniciais tomadas de acordo com a Figura 28
De acordo com a Figura 29, notamos que, a medida que refinamos a discretização
da topologia inicial, isto é, aumentamos o número de vértices na superfície inicial, obtemos
uma melhor aproximação da superfície mínima que possui tal fronteira. Os valores da área
e do Raio da superfície final obtida pelo algoritmo em cada caso, se aproximam dos valores
da área e do Raio da catenóide a medida que aumentamos o números de pontos em nossa
aproximação inicial.
4.5. Exemplo 5: Scherk 71
4.5 Exemplo 5: Scherk

A superfície mínima Scherk foi descoberta em 1834 pelo matemático Heinrich
Ferdinand Scherk. Foram as primeiras novas superfícies mínimas desde Meusnier em
1776. A primeira superfície duplamente periódica definida implicitamente pela equação

expz cos y = cos x, ou explicitamente pelo conjunto de pontos em x, y, log cos(x)
cos(y)
∈ R3 .
M0 ∂ M0
Figura 30 – Dados iniciais do algoritmo: (a) superfície inicial M0 com 361 pontos e (b) fronteira da
superfície ∂M0 .
Na Figura 30 ilustramos a superfície inicial com 361 pontos e a fronteira utilizada

neste exemplo. O algoritmo convergiu para a superfície mínima discreta após 136 iterações,
uma sequência de superfícies trianguladas até a convergência do algoritmo é ilustrada na
Figura 31. O mapa de cor varia de acordo com o valor da coordenada z de cada vértice.
Ao observarmos a Figura 31, podemos notar que os pontos de fronteira x = −π 2
+ 10π
e
π π
x = 2 − 10 de forma a deixar a superfície mais suave e com aparência mais semelhante a
Scherk.
(a) M1 (b) M50
(c) M100 (d) M136
Figura 31 – Sequência de superfícies obtidas durante o algoritmo tomando como dados iniciais a
superfície inicial e a fronteira ilustradas na Figura 30.
Por último, a Figura 32 ilustra o comportamento dos critérios E1 e E2 , assim como

os funcionais da Área e da Energia de Dirichlet, para este exemplo. A convergência de E1
para zero, observada no gráfico da Figura 32a, mostra que o algoritmo está convergindo
ao longo das iterações. Analisando o mesmo gráfico, vemos que o critério E2 decresce até,
mais ou menos, a iteração 30 e a partir daí começa a crescer. De acordo com o gráfico na
Figura 32b isso ocorre por que a área da superfície Mk vai ficando menor do que a área da
Scherk por volta da iteração 30.
21.1 19,63
1.6 0.04
21
0.035
1.4 0.03
20.8 Area
0.025 E1 Energia
E2 Area da Superficie
0.02
1.2 20.6
0.015 19,6
0.01
1 0.005 20.4
0
120 136 19.582
0.8 20.2
120 136
0.6 20
0.4 19.8
0.2 19.6
0 19.4
0 20 40 60 80 100 120 136 0 20 40 60 80 100 120 136
(a) Comportamento dos critérios E1 e E2 (b) Funcional da Área, da Energia de Di-

ao longo das iterações. richlet e a área da Scherk.
Figura 32 – Dados obtidos tomando a superfície da Figura 30 (à esquerda) como superfície

inicial e tomando a curva da Figura 30 (à direita) como condição de contorno.
4.6 Exemplo 6: Limitações

Neste exemplo, assim como no Exemplo 4.3, não conhecemos a superfície mínima
com tal fronteira. Dada uma superfície inicial, gostaríamos de saber qual a superfície
mínima possui mesma fronteira. Na Figura 33 temos a superfície que foi tomada como
aproximação inicial, seus vértices pertencem ao conjunto
{(x, y, z) | y ∈ [−1, 1], z ∈ [0, 1] e x = 0} ∪ {(x, y, z) | x ∈ [0, 1], z ∈ [0, 1] e y = 0} ,
isto é, ele é basicamente formada por vértices dos planos x = 0 e y = 0.
(a) M0 (b) ∂M0
Figura 33 – Superfície inicial M0 com 133 pontos (à esquerda) e a fronteira ∂M0 (à direita).
4.6. Exemplo 6: Limitações 73
É importante notar que está superfície inicial não é uma superfície triangulada
como definimos. Existem arestas que são compartilhadas por três triângulos, isto faz com
que o conjunto estrela de um vértice extremo de uma dessas arestas não seja isomorfo ao
disco unitário.
Mesmo não sendo o tipo de superfície sobre a qual foi fundamentado nosso trabalho,
quando tomamos = 1E − 03 como tolerância, o algoritmo convergiu em apenas duas
iterações. Como não conhecíamos de antemão a superfície mínima que possui tal fronteira,
não foi possível observar o comportamento do critério E2 . Na Figura 34, vemos a superfície
final obtida pelo algoritmo e o comportamento de E1 ao longo das iterações, garantindo a
convergência no algoritmo neste caso.
−1
10
E1
−2
10
M2
−3
10
1 2
Figura 34 – Temos à esquerda a superfície obtida tomando = 1E − 03 como tolerância e à direita o

comportamento do critério E1 ao longo das iterações.
Porém, quando diminuímos a tolerância para = 1E − 04, começam a aparecer

degenerações nas superfícies geradas ao longo das iterações e o algoritmo não consegue
convergir, isso pode ter ocorrido por causa das arestas que são compartilhadas por mais
de dois triângulos. Na Figura 35 vemos uma das superfícies gerada ao longo do algoritmo
(à direita).
Figura 35 – Superfície inicial utilizada (à esquerda) e uma das superfícies obtida ao longo
do algoritmo (à direita) tomando = 1E − 04 como tolerância.
Mesmo sobre um domínio de superfícies trianguladas encontramos alguns obstáculos

ao tentar encontrar a solução do Problema de Plateau. A obtenção de uma superfície
inicial M0 como aproximação inicial pode ser bastante árdua em alguns casos. Por exemplo,
no Exemplo 2 para tomarmos uma superfície inicial foi necessário perturbar os vértices
da própria superfície mínima (Figura 36). As superfície devem estar bem estruturados
em se tratando de ângulos, se os ângulos internos de seus triângulos forem próximos ou
maiores que 90o graus o algoritmo pode se portar de forma indesejada, principalmente no
momento em que usamos o Gradiente Conjugado para solucionar o sistema linear.
(a) Superfície mínima discreta determi- (b) Superfície inicial obtida perturbando
nada pela aplicação Re(z 2 ). os vértices da superfície na Figura 36a
(c) Superfície mínima discreta determi- (d) Superfície inicial obtida perturbando
nada pela aplicação Im(z 4 ). os vértices da superfície na Figura 36d
Figura 36 – Superfícies mínimas geradas pelas aplicações Re(z 2 ) e Im(z 4 ) e as superfícies

iniciais utilizadas no Exemplo 2.
Além da dificuldade em encontrar uma superfície inicial, em certos casos não

houve convergência. No caso da superfície mínima determinada pela aplicação Im(z 4 ),
quando tomamos uma superfície inicial com mesma intensidade de perturbação que a
superfície inicial na Figura 36d porém com menos vértices (Figura 37a), nosso algoritmo
não convergiu. Isto fica claro ao observar o comportamento do critério E1 no Gráfico da
Figura 37b. 1.4
E1
1.2
0.8
0.6
0.4
0.2
0
0 20 40 60 80 100 120 140 160
(a) Superfície inicial M0 utilizada como aproxi- (b) Comportamento do critério E1 ao longo das
mação inicial. iterações.
Figura 37 – Superfície utilizada como aproximação inicial para o nosso algoritmo (à

esquerda) e o comportamento do critério E1 ao longo das iterações tomando
= 1E − 06 como tolerância.
75
Conclusão
O objetivo inicial deste trabalho era encontrar a solução do Problema de Plateau

sobre o modelo discreto de superfície dado apenas por um conjunto de pontos. Tal modelo
é chamado de nuvem de pontos. Embora a topologia da superfície não é implicitamente
obtida na nuvem de pontos, ainda é possível definir uma matriz de pesos equivalente à
matriz que define o sistema linear que resolvemos nesta dissertação. A partir daí, tentamos
adaptar o método clássico de Pinkall e Polthier para obter superfícies mínimas em nuvens
de pontos, mas não encontramos resultados preliminares que nos convenceram de continuar
a nossa pesquisa. Por exemplo, nos casos de superfícies mínimas planares, Ponto-Plano
e Semi-Esfera, os pontos da nuvem tendem a convergir para o plano z = 0, mas após
alguns passos antes da convergência do algoritmo com uma tolerância aceitável, os pontos
começavam a se acumular ao redor da origem.
Inicialmente, quando pensamos em ambas discretizações de superfícies, a principal
diferença entre os modelos é a topologia, que é implícita numa malha. Mas, seria este
o único problema? Daí, começamos a estudar o método proposto por Pinkall e Polthier
baseado em superfícies trianguladas, com uma topologia bem definida. Entender o processo
de minimização, a definição e relação do funcional da Energia de Dirichlet com o funcional
Área, o domínio ideal sobre o qual eles devem ser minimizados, a construção de um
sistema linear baseado em superfícies trianguladas que minimiza o funcional da Energia e
a convergência do método. E futuramente, aplicarmos todo esse conhecimento, estruturas
e algoritmos bem estabelecidas, para conseguir o que era nosso objetivo inicial e minimizar
a área de um superfície definida pela sua nuvem de pontos.
Os resultados exibidos no Capítulo 4 mostram que o algoritmo desenvolvido no
Capítulo 3 se portou de forma eficiente. Nas Figuras 18a, 21a, 26a, 32a e 34 observamos a
convergência do critério de comparação E1 à zero, indicando a convergência do algoritmo
ao longo das iterações. Nos casos em que podemos utilizar o critério E2 vimos que em
algum deles E2 converge para zero, e em outros ele converge, mas para um valor diferente
de zero. Isto ocorre porque a sequência de superfícies obtidas vai ficando com área menor
do que a superfície mínima.
Nas Figuras 18b, 21b, 26b e 32a verificamos que os funcional da Energia de Dirichlet
e da Área satisfazem a Proposição 2.9 convergindo para o mesmo valor, o qual é bem
próximo do valor da área da superfície mínima. Portanto, a sequência de superfícies
trianguladas, converge para uma superfície que possui mesma fronteira e área aproximada
a da superfície mínima com tal fronteira. Concluindo que o algoritmo converge para a
solução do Problema de Plateau.
76 Conclusão
A análise feita à respeito da Catenóide (Figura 29) mostra que quanto maior o
número de vértices na topologia inicial melhor será a aproximação da solução, ou seja,
quanto mais discretizada tomamos nossa superfícies inicial, melhor a aproximação da
superfície mínima que iremos obter. Mostrando que o problema encontrando em alguns
casos, quando a sequência de superfícies obtidas ao longo do algoritmo vai ficando com área
menor do que a área da superfície minima, pode ser corrigido refinando mais a superfície
inicial. Porém, no gráfico da Figura 23, a análise feita relacionando o número de vértices
da superfície inicial com o tempo que o algoritmo leva para convergir, concluímos que uma
topologia inicial mais refinada pode necessitar de muito mais tempo para convergir.
Portanto, a medida que aumentamos o número de vértices na superfície tomada
como aproximação inicial, conseguimos uma aproximação melhor da superfície mínima
com tal fronteira, porém demanda muito mais custo computacional.
Em trabalhos futuros gostaríamos de trabalhar mais a esparsidade do sistema linear
oriundo do método desenvolvido por Pinkall e Polthier e o condicionamento da matriz.
Depois, relacionar todos resultados com os que serão obtidos utilizando a nuvem de pontos
ao invés de uma superfície triangulada
77
Referências
BAJD, T.; MIHELJ, M.; MUNIH, M. Introduction to Robotics. [S.l.]: Springer, 2013.
Citado na página 32.
BLOCH, E. D. A first course in geometric topology and differential geometry. [S.l.]:

Springer, 1997. Citado na página 21.
BRAKKE, K. A. Surface evolver manual. Mathematics Department, Susquehanna

Univerisity, Selinsgrove, PA, v. 17870, n. 2.24, 1994. Citado na página 20.
BRENNER, S. C.; SCOTT, R. The mathematical theory of finite element methods. [S.l.]:
Springer, 2008. Citado na página 28.
CARMO, M. do. Geometria diferencial de curvas e superfícies. [S.l.]: Sociedade Brasileira

de Matemática, 2010. (Textos Universitários). Citado na página 19.
CIARLET, P. G. The finite element method for elliptic problems. [S.l.]: Elsevier, 1978.
CONCUS, P. Numerical solution of the minimal surface equation. Mathematics of

Computation, JSTOR, p. 340–350, 1967. Citado na página 20.
COURANT, R.; SCHIFFER, M. Dirichlet’s principle, conformal mapping, and minimal

surfaces. [S.l.]: Springer, 1950. Citado na página 19.
DOUGLAS, J. Solution of the problem of plateau. Transactions of the American

Mathematical Society, JSTOR, v. 33, n. 1, p. 263–321, 1931. Citado 2 vezes nas páginas
19 e 30.
DZIUK, G. An algorithm for evolutionary surfaces. Numerische Mathematik, Springer,

v. 58, n. 1, p. 603–611, 1990. Citado na página 20.
GOLUB, G.; LOAN, C. V. Matrix Computations. [S.l.]: Johns Hopkins University Press,
1996. (Johns Hopkins Studies in the Mathematical Sciences). Citado 2 vezes nas páginas
50 e 58.
HUTCHINSON, J. E. Computing conformal maps and minimal surfaces. In: Proc. Centr.
Math. Anal., Canberra. [S.l.: s.n.], 1991. v. 26, p. 1405161. Citado na página 30.
MESMOUDI, M. M.; FLORIANI, L. D.; MAGILLO, P. Discrete curvature estimation

methods for triangulated surfaces. In: Applications of Discrete Geometry and Mathematical
Morphology. [S.l.]: Springer, 2012. p. 28–42. Citado na página 60.
MOISE, E. E. Geometric topology in dimensions 2 and 3. [S.l.]: Springer, 1977. Citado

na página 26.
MUNKRES, J. R. Elements of algebraic topology. [S.l.]: Addison-Wesley Reading, 1984.

78 Referências
PINKALL, U.; POLTHIER, K. Computing discrete minimal surfaces and their conjugates.
Experimental mathematics, Taylor & Francis, v. 2, n. 1, p. 15–36, 1993. Citado 3 vezes
nas páginas 20, 43 e 59.
POLTHIER, K. Computational aspects of discrete minimal surfaces. Global theory of

minimal surfaces, v. 2, p. 65–111, 2005. Citado na página 21.
RADÓ, T. The problem of the least area and the problem of plateau. Mathematische
Zeitschrift, Springer, v. 32, n. 1, p. 763–796, 1930. Citado 2 vezes nas páginas 19 e 30.
SULLIVAN, J. M. A crystalline approximation theorem for hypersurfaces. Tese

(Doutorado) — Princeton University, 1990. Citado na página 20.
TSUCHIYA, T. Discrete solution of the plateau problem and its convergence. Mathematics
of computation, v. 49, n. 179, p. 157–165, 1987. Citado na página 29.
WILSON, W. L. On discrete dirichlet and plateau problems. Numerische Mathematik,

Springer, v. 3, n. 1, p. 359–373, 1961. Citado na página 19.
ZIEGLER, G. M. Lectures on polytopes. [S.l.]: Springer, 1995. Citado na página 21.

Dissertacao Nadia Cardoso Moreira PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Dissertacao Nadia Cardoso Moreira PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Nadia Cardoso Moreira

Superfície Mínima Discreta

Superfície Mínima Discreta

Dissertação apresentada ao Programada de

Universidade Federal do Espírito Santo – UFES

Orientador: Fabiano Petronetto do Carmo

Orientador: Fabiano Petronetto do Carmo

Dissertação de Mestrado em Matemática – Universidade Federal do Espírito Santo

Superfície Mínima Discreta

Dissertação apresentada ao Programada de

Trabalho aprovado. Vitória-ES, Brasil, 27 de fevereiro de 2014:

Fabiano Petronetto do Carmo

Etereldes Gonçalves Júnior

O problema de Superfícies Mínimas surgiu a partir do estudo do Cálculo de Variações

Palavras-chaves: Problema de Plateau, Superfície Mínima Discreta, Peso Cotangente,

Keywords: Plateau Problem, Discrete Minimal Surface, Cotangent Weight Scheme,

Figura 1 – Exemplos de simplexos. Da esquerda para a direita, simplexos de dimensão 0 (ponto),

Figura 6 – Na esquerda, destacamos em vermelho a estrela σ0∗ do vértice σ0 = [v0 ]. Na direita,

Figura 7 – À esquerda, o elo do vértice σ0 = [v0 ] é destacado (em vermelho), e à direita,

O clássico Problema de Plateau questiona a existência de uma superfície de área

usando as fórmulas de representação de Weierstrass sobre a classe de funções paramétricas

1967),(DZIUK, 1990), (BRAKKE, 1994), (SULLIVAN, 1990)], incluindo métodos que

Começaremos definindo o objeto mais simples presente na superfície triangulada.

Definição 1.1 (Simplexo). Seja V = {v0 , v1 , . . . , vm } um conjunto finito de m + 1 pontos

é chamado m-simplexo, ou simplesmente simplexo. O número m é chamado dimensão do

De acordo com esta definição um 0-simplexo é a representação topológica de um

Figura 1 – Exemplos de simplexos. Da esquerda para a direita, simplexos de dimensão 0 (ponto),

Definição 1.2 (k-face). Uma k-face f de um simplexo σ = [v0 , v1 , . . . , vm ] é um simplexo

Definição 1.3 (Fronteira e Interior do Simplexo). A fronteira de um m-simplexo σ é

As faces de um simplexo de dimensão 2, isto é, um triângulo, são as 3 0-faces dadas

1.2 Complexos Simpliciais em Rn

Definição 1.4. Um complexo simplicial K de Rn é uma coleção de simplexos em Rn de

1. se o simplexo σ pertence a K, então todas suas faces próprias também pertencem;

2. se σ e τ são simplexos de K, então σ ∩ τ é vazia ou é uma face própria de ambos.

Seja K um complexo simplicial dado pela coleção de simplexos {σi | i ∈ Ci },

Definição 1.5. Seja K um complexo simplicial. A dimensão de K, denotada por dim(K),

Se dim(K) = d, então chamamos K de d-complexo simplicial ou complexo simplicial

Na figura 4, o complexo simplicial K1 possui um simplexo σ de dimensão 2 e

Definição 1.6. Sejam K um complexo simplicial e L um subconjunto dos complexos

A seguir daremos exemplos de subcomplexos de grande importância no desenvolvi-

Definição 1.7. Sejam K um complexo simplicial em Rn e σ um simplexo de K, então os

σ ∗ := {η ∈ K e todas as faces próprias de η | σ ⊂ η};

As Figuras 6 e 7 ilustram as estrelas e os elos de um vértice e uma aresta de um

Definição 1.8. Uma superfície triangulada M é um complexo simplicial composto por um

1. qualquer ponto p ∈ M pertence a pelo menos um triângulo t ∈ T ;

2. se p ∈ M então o subcomplexo p∗ é homeomorfo ao disco unitário

Então, se M é uma superfície triangulada e p ∈ M é um ponto de M , então p

Teorema 1.9. Os seguintes fatos valem para superfícies bidimensionais:

1. Qualquer superfície topológica compacta S ∈ R3 pode ser triangulada, isto é, existe

2. Se uma superfície topológica é triangulada por duas superfícies trianguladas M1 e

(a) Colapso de um vértice com aresta oposta no triângulo T .

(b) Colapso de dois vértices opostos a uma aresta P Q.

Figura 9 – A alteração na geometria de um complexo simplicial pode não definir um novo

1.3 Espaços de Elementos Finitos

S := {f : M → R3 | f ∈ C 0 (M ) e f é linear em cada triângulo de M }.

Exemplos de funções em S são as próprias funções coordenadas de M . Mais ainda,

linear em cada triângulo de M definida por

onde δij é o delta de Kronecker

Assim, se u é uma aplicação pertencente a S, ela possui uma única representação

No capítulo anterior os principais conceitos que serão utilizados para o desenvol-

2.1 Superfície Mínima

Area(f ) é o valor da área da superfície parametrizada pela aplicação paramétrica f ∈ F.

Na década de 1930 (RADÓ, 1930) e (DOUGLAS, 1931) tiveram a ideia de não